通过深度半监督学习的外周血液涂抹来评估贫血恢复情况

科学领域:

• 血液学 血液学 血液学
• 计算生物学 计算生物学
• 人工智能的人工智能

背景情况:

• 监测贫血恢复对于有效的临床治疗至关重要.
• 周围血液涂抹 (PBS) 分析提供了详细的红细胞 (RBC) 形态洞察力,但是手动和主观的.
• 自动RBC分类可以提高诊断效率和一致性.

研究的目的:

• 引入RBCMatch,这是一个深度半监督学习方法,用于在贫血恢复期间自动化RBC分类.
• 评估RBCMatch的准确性和稳定性,特别是在有限的标记数据上.
• 探索红细胞嵌入,以表征贫血恢复阶段,并与临床参数相关.

主要方法:

• 开发了RBCMatch,这是一个使用Fixmatch策略的深度半监督学习模型.
• 将模型应用于来自急性溶血性贫血小鼠模型的10,091张细分红细胞图像.
• 仅使用5%的图像进行监督训练,利用半监督学习.

主要成果:

• 在验证方面,RBCMatch获得了91.2%的准确性,在持有数据集方面达到87.5%.
• 该模型表现出优越的性能,超过监督的方法,很少有标记数据.
• 提取的红细胞嵌入和主要成分 (PC) 有效量化了贫血恢复状态,PC2与红细胞计数和血红蛋白有很强的相关性.

结论:

• RBCMatch提供了一个强大而准确的工具,用于在贫血恢复过程中自动进行RBC分类.
• 该模型为康复期间的红细胞形态动态提供了新的见解,有可能改善临床决策.
• 这种方法在血液学条件下有很大的潜力帮助预后分析.