通过深度学习,使用单个外周血细胞诊断和分类白血病

科学领域:

• 血液学 血液学 血液学
• 计算生物学 计算生物学
• 医疗成像医学成像

背景情况:

• 白血病的诊断是复杂的,耗时的,并且依赖于侵入性骨髓吸收.
• 目前用于区分白血病亚型与外周血液涂抹的方法对人类专家来说具有挑战性.
• 需要改进的诊断工具来提高患者的遵从性和加快治疗.

研究的目的:

• 开发和验证一个人工智能驱动的系统,用于准确的白血病细胞识别和亚型.
• 评估模型在区分良性和恶性细胞以及特定白血病类型方面的表现.
• 探索白血病诊断和打字的一种侵入性较小的方法.

主要方法:

• 开发了一个基于细分的增强剩余网络,并进行了渐进的多细分化培训.
• 该网络使用来自237名患者的21,208张注释的外周血液细胞图像的定制数据集进行了培训.
• 数据集包括五种良性白细胞类型和八种白血病细胞类型.

主要成果:

• 人工智能模型成功地区分了良性和恶性细胞.
• 它在区分急性骨髓性白血病 (APL) 与其他急性骨髓性白血病 (非APL) 中取得了高精度,APL的F1得分为93.18%.
• 该模型还区分了具有和没有Ph染色体的急性淋巴细胞白血病 (ALL).

结论:

• 开发的AI方法为白血病诊断和亚型化提供了一个有希望的,非侵入性的方法.
• 这项技术有可能改善患者的遵从性,加快诊断和改善治疗结果.
• 进一步验证可能会导致更快,更准确的临床白血病类型.