骨髓模型:基于人工智能的细胞分类方法和骨髓吸附涂抹中恶性瘤检测的全面审查
Tabita Ghete1,2, Farina Kock3, Martina Pontones1,2
1Department of Pediatrics and Adolescent Medicine University Hospital Erlangen Erlangen Germany.
HemaSphere
|December 4, 2024
概括
深度学习 (DL) 模型分析骨髓涂抹用于血液学诊断,识别细胞和遗传突变. 在复杂疾病中实现高精度仍然存在挑战,需要多样化的培训数据.
科学领域:
- 血液学和瘤学研究
- 医学图像分析 医学图像分析
- 人工智能在医学中的应用
背景情况:
- 人工智能 (AI) 研究正在扩展到医疗应用中,特别是用于图像识别的深度学习 (DL).
- 骨髓吸附物 (BMA) 涂抹分析对于诊断血液恶性瘤至关重要.
- 人工智能为BMA涂抹的快速,准确的初步分析提供了潜力.
研究的目的:
- 系统地审查DL模型用于细胞分类和检测血液性恶性瘤.
- 分析2019年至2024年间发表的模型.
- 在BMA分析中提供对DL的挑战和机会的见解.
主要方法:
- 对DL模型进行BMA涂抹分析的系统文献综述.
- 专注于差异细胞计数模型,细胞类型分类和遗传突变的表型识别.
- 对模型性能和通用性的分析.
主要成果:
- DL模型在识别差异细胞计数的最佳区域和在BMA涂抹中分类细胞类型方面表现有前途.
- 人工智能可以在表型上识别基因突变,帮助诊断.
- 挑战包括血液病的复杂性和需要异质的培训数据集的广泛适用性.
结论:
- 对BMA涂抹的DL辅助形态评估具有显著的临床常规潜力.
- 高度准确性和通用性要求解决血液病的复杂性.
- 人工智能模型的开发需要高度异质的训练数据集,以便在各种临床环境中提供强大的性能.
