与深度学习,卷积神经网络算法集成的点照顾平台有效评估狗和猫外围血液涂抹

科学领域:

• 兽医诊断 兽医诊断 兽医诊断 兽医诊断
• 医学中的人工智能
• 血液学 血液学 血液学

背景情况:

• 护理点诊断对于及时的兽医护理至关重要.
• 自动化血液学分析仪提供CBC结果,但可能缺乏详细的形态评估.
• 深度学习算法为血液涂抹的自动分析提供了潜力.

研究的目的:

• 评估一款具有人工智能算法的新型兽医多用途平台,用于分析狗和猫外围血液涂抹.
• 将人工智能平台的诊断性能与经过认证的临床病理学家进行比较.

主要方法:

• 采用了一个盲目的随机研究设计.
• 该平台利用深度学习,卷积神经网络算法进行细胞识别和计数.
• 与临床病理学家相比,通过敏感性,特异性和协议指标来评估表现.

主要成果:

• 对于白细胞差异计数 (96.6%的狗,91.7%的猫) 观察到很高的一致性.
• 细胞计数的共识在物种之间从70%到95%不等.
• 该算法实现了90%的灵敏度和88%的特异性,用于血小板团的识别和100%的协议,用于多色素.

结论:

• 这种由人工智能驱动的护理点平台提供了与临床病理学家可比的诊断结果.
• 这项技术可以作为兽医实践中自动化CBC结果的宝贵补充.
• 兽医可以将此评估整合到常规的临床血液学分析中.