图像流细胞计和卷积神经网络基础的分类,使得在急性髓性白血病的血造细胞和白血病干细胞的歧视

科学领域:

• 血液学 血液学 血液学
• 计算生物学 计算生物学
• 生物医学成像技术 生物医学成像技术

背景情况:

• 急性髓性白血病 (AML) 是一种源自白血病干细胞 (LSCs) 的异质癌症.
• 鉴定LSC是具有挑战性的,因为它们的异质性和缺乏一个通用标记.
• 目前的方法难以将LSC与正常的造血干细胞 (HSC) 区分开来.

研究的目的:

• 调查成像流细胞计 (IFC) 与人工智能 (AI) 结合的潜力,以区分基于形态的LSC和HSC.
• 开发和验证用于HSC-LSC分类的卷积神经网络 (CNN) 模型,使用IFC衍生图像.

主要方法:

• 在骨髓样本中LSC和HSC的免疫类型识别,使用七色IFC面板.
• 开发使用亮场 (BF),侧散射 (SSC) 和DNA图像进行分类的CNN模型.
• 基于准确性和区分能力的模型性能评估.

主要成果:

• 使用亮场图像进行分类,达到86.96%的准确度,显示出显著的形态差异.
• 将亮场和DNA图像结合起来,精度提高到93.42%,突出了核形态变异.
• 仅仅DNA图像不足以准确区分,SSC图像显示了微小的颗粒度差异.
• 跨AML患者的性能指标的实质性变化表明了相当大的LSC形态异质性.

结论:

• 对IFC数据的AI驱动的图像分析提供了一个可行的方法来区分基于形态的HSC和LSC.
• 这种方法为AML监测和潜在的LSC识别提供了一种新的,标记独立的技术.
• 需要进一步开发以解决患者间的变异性,并完善诊断潜力.