深度学习模型用于通过骨髓质细胞和淋巴细胞分类对外围血液细胞图像中的急性骨髓性白血病和淋巴细胞白血病进行区分

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:

• 急性白血病 (AL) 是一种关键的血液恶性瘤,需要及时诊断.
• 目前的诊断方法,如流细胞计,是资源密集的.
• 需要有效和准确的AL诊断工具.

研究的目的:

• 开发一种人工智能 (AI) 模型来分类周围血液细胞类型.
• 专门识别与急性髓性白血病 (AML) 和急性淋巴细胞白血病 (ALL) 相关的病理细胞.
• 通过图像分析提高AL诊断的速度和准确性.

主要方法:

• 从282名患者获得了42,386张单细胞外周血液图像.
• 使用深度学习模型,包括EfficientNet-V1和EfficientNet-V2,用于图像分类.
• 开发一个组合模型,将EfficientNet-V1 (B1) 和EfficientNet-V2 (B2) 结合起来,以提高性能.

主要成果:

• 整体模型的准确度为0.8858,F1得分为0.7361.
• 关键细胞类型的高分类性能:骨髓细胞 (F1评分0.8873) 和淋巴细胞 (F1评分0.8006).
• 该模型表明,在12个细胞类型分类中,ROC曲线下的面积高于0.9.

结论:

• 开发的AI整体模型在分类12种外围血液细胞类型方面表现令人满意,包括那些表明AL的类型.
• 该模型在识别骨髓母细胞和淋巴细胞方面的特殊优势对于AL诊断至关重要.
• 这种人工智能工具有可能大大有利于医疗保健机构,这些医疗机构需要快速准确的AL诊断.