在白细胞形态评估中比较人类和机器学习模型的性能
Patrick Lawrence1, Christina Brown2
1Princess Alexandra Hospital, Brisbane, Australia.
European journal of haematology
|October 7, 2024
概括
机器学习模型在白细胞 (WBC) 形态评估中达到人类水平的性能,在人类专家中显示出实质性的观察者间一致. 这表明人工智能可以帮助客观地分析血细胞.
科学领域:
- 血液学 血液学 血液学
- 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:
- 机器学习 (ML) 对血液学实验室的兴趣越来越大,特别是血液细胞形态学.
- 人类水平的表现是诊断中的ML的关键基准.
- 评估观察者之间的变化和人类的表现对于验证ML工具至关重要.
研究的目的:
- 为了评估血液细胞形态评估的观察者间变异性.
- 为ML建立人类水平的绩效基准.
- 将ML模型的性能与识别白细胞的人类专家进行比较.
主要方法:
- 1000张白细胞图像由10名专家独立标记.
- 使用Fleiss' kappa评估的观察者间变异性.
- 在同一数据集上训练和测试ML模型;生成可解释性指标.
主要成果:
- 人类观察者之间存在实质性的共识 (Fleiss' kappa = 0.608).
- 人类准确率:95% (灵敏度72%,特异性97%).
- ML模型实现了可比的准确性 (95%,灵敏度71%,特异性97%) 和差异化的细胞组件.
结论:
- 人类对WBC形态的评估具有固有的主观性,尽管存在实质性的共识.
- 在单细胞识别方面,ML模型的表现与人类专家的表现相当.
- 需要进一步的研究,以使ML评估与临床形态学工作流程保持一致.
更多相关视频
08:59Morphology-Based Distinction Between Healthy and Pathological Cells Utilizing Fourier Transforms and Self-Organizing Maps
Published on: October 28, 2018
7.1K
11:38Author Spotlight: Enhancing PSC-to-Functional Cell Differentiation Using ML Models Based on Live-Cell Bright-Field Imaging
Published on: October 4, 2024
499
