利用深度学习来检测严重疟疾贫血儿童血液膜中的红细胞形态变化

科学领域:

• 医学诊断 医学诊断 医学诊断
• 医疗保健中的人工智能
• 寄生虫学的寄生虫学

背景情况:

• 严重的疟疾贫血 (SMA) 对撒哈拉以南非洲的五岁以下儿童构成重大威胁.
• 在SMA中脏的细胞活性导致鲜明的红细胞 (RBC) 形态变化.
• 对SMA的外周血液膜 (PBFs) 的手动评估不是可扩展的,容易变化.

研究的目的:

• 开发和验证一个深度学习模型,用于系统和大规模识别SMA.
• 用人工智能利用红细胞的形态变化作为SMA检测指标.
• 改善SMA的诊断和预后评估.

主要方法:

• 为了创建MILISMA模型,使用了一个监督较弱的多实例学习框架.
• 米利斯玛被训练,通过检测PBFs的形态改变的红细胞来识别SMA.
• 使用统计分析和视觉检查来验证模型的发现.

主要成果:

• 在SMA检测方面,MILISMA模型实现了83%的分类准确度 (AUC87%).
• 该模型在与SMA相关的红细胞中发现了统计学上显著的形态差异 (p < 0.01).
• 视觉分析证实了 SMA 受影响的红细胞的独特形态特征.

结论:

• 深度学习,特别是MILISMA,为通过红细胞形态识别SMA提供了一个可扩展的解决方案.
• 该模型通过表征红细胞变异来增强对SMA病理学的理解.
• 这种人工智能驱动的方法有可能改进SMA诊断和预后.