整合全息图和深度学习以快速检测AML中的NPM1突变
Hyunji Kim1, Geon Kim2,3, HeyJung Park4
1Department of Laboratory Medicine, Seoul National University Bundang Hospital, Seongnam, Republic of Korea.
Scientific reports
|October 10, 2024
概括
全息图 (HT) 和深度学习可以通过分析3D细胞形态来检测急性髓性白血病 (AML) 中的NPM1突变. 这种创新方法为白血病提供了更快,更具成本效益的诊断工具,有助于早期检测.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 计算生物学 计算生物学
- 血液学 血液学 血液学
背景情况:
- 精确诊断急性髓性白血病 (AML),特别是与NPM1突变在骨髓发育综合征 (MDS),是具有挑战性的.
- 传统的白血病诊断方法可能会耗时,并依赖逐步基因检测.
研究的目的:
- 开发和验证一种新的方法来检测AML中的NPM1突变,使用全息图 (HT) 和深度学习.
- 评估HT在识别与NPM1突变相关的亚细胞形态差异方面的潜力.
主要方法:
- 分析了2073个使用卷积神经网络的48个个体的全息图像 (HT) 骨髓细胞图像.
- 专注于3D细胞形态和折射率分布,以区分NPM1野生型与突变样本.
主要成果:
- 机器学习模型在接收器操作特征曲线下实现了高面积 (0.9375) 和76.0%的验证精度.
- 在NPM1野生型和突变骨髓母细胞之间发现了明显的亚细胞形态差异.
结论:
- 与深度学习相结合的HT显示出早期,高效和具有成本效益的AML诊断的巨大潜力.
- 这种方法可以作为传统方法的宝贵补充,可能减少对白血病诊断的广泛遗传测试的依赖.
