一种用于自动识别中性粒细胞细胞质异常的深度学习方法
Kevin Barrera1, José Rodellar1, Santiago Alférez1
1Technical University of Catalonia, Barcelona East Engineering School, Department of Mathematics, Barcelona, Spain.
Computers in biology and medicine
|June 21, 2024
概括
这项研究介绍了NeuNN,一种使用CNN和GAN的AI系统,用于准确识别中性粒细胞异常,如血图像中的低粒度和包容.
科学领域:
- 血液学 血液学 血液学
- 计算病理学计算病理学
- 人工智能在医学中的应用
背景情况:
- 中性粒细胞形态分析对于诊断各种健康状况至关重要.
- 手动识别中性粒细胞异常可能是耗时和主观的.
- 自动化系统可以提高诊断的准确性和效率.
研究的目的:
- 开发和评估NeuNN,用于自动化中性粒细胞分类的AI系统.
- 为了识别正常的中性粒细胞和具有特定形态异常的中性粒细胞.
- 为临床病理学家提供支持工具.
主要方法:
- 利用了5605张来自外围血液涂抹中的中性粒细胞数字图像的数据集.
- 将中性粒细胞分为七类:正常的,低颗粒的,冷球蛋白的,多赫尔体的,豪威尔-乔利体的内含物,死亡的绿蓝色内含物和细胞细菌.
- 使用卷积神经网络 (CNN) 和生成对抗网络 (GAN) 进行分类和数据增强.
- 使用EfficientNet-B7架构训练了NeuNN模型.
主要成果:
- 在测试数据集上获得了94.3%的整体准确性.
- 在各种指标上表现出高性能:94%的灵敏度,99.1%的特异性,94.3%的精度,94.3%的F1-Score.
- 该系统有效地识别了含入和低粒度的中性粒细胞.
结论:
- 纽恩系统成功地自动识别了中性粒细胞形态异常.
- 将数据增强 (GAN) 和分类 (CNN) 结合起来可以提高系统性能.
- 对于临床病理学家来说,NeuNN是检测临床相关中性粒细胞异常的一个有价值的工具.
