基于特征的ML和CNN对双核红细胞细胞量化在骨髓发育综合征患者的比较分析,使用成像流细胞计数据

科学领域:

• 血液学 血液学 血液学
• 计算生物学 计算生物学
• 医疗成像医学成像

背景情况:

• 骨髓发育不良综合征 (MDS) 呈现骨髓发育不良,使形态解释和诊断复杂化.
• 传统的基于幻灯片的MDS分析缺乏标准化和客观性.
• 图像流细胞计 (IFC) 集成形态分析与高参数表型,提供先进的诊断功能.

研究的目的:

• 开发和验证一种简化的人工智能 (AI) 工作流程,用于使用IFC数据在MDS中识别双核红细胞 (BNEs).
• 将卷积神经网络 (CNN) 算法的准确性和效率与手动和基于特征的BNE量化方法进行比较.
• 评估AI驱动的IFC方法在常规MDS诊断中的临床实用性.

主要方法:

• 利用卷积神经网络 (CNN) 算法,在IFC数据中自动识别和区分从双重和不规则细胞中的BNEs.
• 基于CNN的BNE量化准确度与手动幻灯片复习和以前建立的基于特征的机器学习工作流程进行了比较.
• 评估了人工智能驱动IFC方法的时间效率和工作流程复杂性.

主要成果:

• 在量化BNEs方面,CNN算法实现了与手动和基于特征的分析相比较的准确性.
• 与传统方法相比,AI驱动的IFC工作流显著减少了分析时间.
• 简化的人工智能工作流程在区分BNEs和混的细胞形态方面表现出了强度.

结论:

• 使用CNN的简化AI工作流提高了MDS的IFC数据中BNE量化的准确性和效率.
• 这种简化方法克服了基于特征的方法的复杂性,使先进的IFC分析更容易用于例行诊断.
• 以人工智能为动力的IFC方法具有显著的潜力,可以改善骨髓发育综合征的诊断一致性和临床效用.