基于AI的自动化白细胞形态测量分析系统的稳定性评估,使用不同的涂抹制备方法
Mendamar Ravzanaadii1, Yuki Horiuchi1,2, Yosuke Iwasaki3
1Department of Clinical Laboratory Medicine, Juntendo University Graduate School of Medicine, Tokyo, Japan.
International journal of laboratory hematology
|July 25, 2024
概括
这项研究表明,自动化的外周血液涂抹制备方法会影响深度学习系统 (DLS) 的性能. 优化的自动化系统对于精确的基于AI的血液学细胞分类至关重要.
科学领域:
- 血液学 血液学 血液学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 基于人工智能的外周血液 (PB) 涂抹评估系统正在出现.
- 不同的涂抹制备技术对AI系统稳定性的影响尚未得到充分证实.
研究的目的:
- 评估两个不同的自动化涂抹制备方法对深度学习系统 (DLS) 性能的影响.
- 在不同的幻灯片准备协议中评估DLS的稳定性.
主要方法:
- 采集了193个PB样本,使用SP50 (推的DLS方法) 和SP1000i (替代方法) 准备配对涂抹.
- 数字图像被捕获,DLS进行了自动细胞分类.
- 使用灵敏度,特异性,正预测值 (PPV) 和负预测值 (NPV) 来评估性能.
主要成果:
- 在两种涂抹类型中都观察到高特异性 (97.4%-100%) 和负预测值 (NPV).
- 与SP1000i涂抹相比,DLS通过SP50涂抹获得了更高的平均灵敏度 (88.9%) 和PPV (90.1%),而SP1000i涂抹则获得了更高的平均灵敏度 (87.0%灵敏度,83.2%PPV).
- 对SP1000i涂抹的表现较低与中性粒细胞前体和淋巴细胞的错误分类有关.
结论:
- 无论涂抹制备方法如何,DLS表现出一致的特异性和NPV.
- 针对特定的DLS优化的自动化涂抹制备系统对于最大限度地提高诊断准确性至关重要.
