从薄膜血液涂抹中对红细胞进行生物物理分析,使用深度学习

科学领域:

• 血液学 血液学 血液学
• 计算生物学 计算生物学
• 生物物理学的生物物理.

背景情况:

• 对红细胞 (RBC) 涂抹的微观分析可以识别病理,但错过了微妙的变化.
• 细胞变形性是输血医学中红细胞质量的关键生物标志物,但很难测量.
• 目前用于评估红细胞质量的方法在临床应用上是有限的.

研究的目的:

• 开发一种深度学习策略,用于分析RBC图像,以评估可变形性和存储退化.
• 通过图像分析来检测红细胞中微妙的形态变化是可检测的假设.
• 建立一种非侵入性方法,用薄膜血液涂抹来评估捐献者的血液质量.

主要方法:

• 来自27个红细胞样本的准备的薄膜血涂样在3个存储时间点.
• 使用高分辨率显微镜对红细胞进行成像.
• 训练了一个卷积神经网络 (CNN) 来分析与可变性相关的基于图像的形态特征.

主要成果:

• 美国有线电视新闻网准确预测了供体红细胞的变形性,与微流体评分有很强的相关性.
• 该模型成功地将图像分类为特定的可变组.
• 深度学习模型检测到红细胞因冷藏而存在的形态差异.

结论:

• 深度学习模型可以检测微妙的红细胞形态差异,表明可变形性和冷藏性.
• 基于图像的红细胞生物物理分析是可行的,使用薄膜血涂片.
• 这种方法有可能在临床工作流程中评估捐献者血液质量.