深度学习ResNet34模型辅助诊断状细胞病通过微柱异电聚焦
Ali Sani1, Youli Tian1, Saud Shah1
1School of Sensing Science and Engineering, School of Electronic Information and Electrical Engineering, Shanghai Jiao Tong University, Shanghai, 200240, China. cxcao@sjtu.edu.cn.
Analytical methods : advancing methods and applications
|September 9, 2024
概括
这项研究引入了一种人工智能驱动的状细胞疾病 (SCD) 诊断方法,将ResNet34深度学习与微柱隔离电聚焦 (mIEF) 集成,以准确和自动选异常血红蛋白变体.
科学领域:
- 生物化学 生物化学
- 医学诊断 医学诊断 医学诊断
- 人工智能的人工智能
背景情况:
- 传统的状细胞疾病 (SCD) 查方法在准确性方面面临挑战,需要专家解释.
- 早期和精确的SCD诊断对于有效的患者管理和治疗结果至关重要.
- 使用人工智能 (AI) 自动化诊断方法可以提高标准化,减少主观性.
研究的目的:
- 通过将微柱异电聚焦 (mIEF) 与深度学习相结合,开发和验证一种新的AI驱动的SCD诊断方法.
- 利用ResNet34模型对mIEF模式进行自动分析,改善异常血红蛋白 (Hb) 变异的识别.
- 为SCD提供更有效,更准确,更具成本效益的诊断解决方案.
主要方法:
- 使用微柱异电聚焦 (mIEF) 分析了状细胞病的血液样本.
- 结果的mIEF模式被捕获为数字图像,并使用ResNet34深度学习模型进行处理.
- 综合AI-mIEF方法的性能与高性能液体染色学 (HPLC) 和DNA分析进行了比较.
主要成果:
- mIEF分析显示高灵敏度 (100%) 和特异性 (97.8%),准确度为99.39%.
- 在ResNet34集成实现了90.1%的精度和高精度在分类SCD条件.
- 人工智能-mIEF方法与HPLC有很强的相关性 (R2 = 0.9934),并且与DNA分析完全一致.
结论:
- 将ResNet34深度学习与mIEF集成,为状细胞疾病诊断提供了一个有前途的自动化方法.
- 这种新的方法提高了诊断精度,减少了主观性,并有可能简化临床工作流程.
- 拟议的人工智能驱动技术为识别异常血红蛋白变体提供了经济有效和高效的替代方案.
