合成骨髓图像增强了真实样本在发展急性髓性白血病显微镜分类模型的真实样本
Jan-Niklas Eckardt1,2, Ishan Srivastava3,4, Zizhe Wang5
1Department of Internal Medicine I, University Hospital Carl Gustav Carus, TUD Dresden University of Technology, Dresden, Germany. jan-niklas.eckardt@uniklinikum-dresden.de.
NPJ digital medicine
|March 22, 2025
概括
生成对抗网络 (GAN) 创建现实的合成骨髓涂抹图像. 这些合成图像有效地训练深度学习分类器来诊断白血病,即使是罕见的疾病.
科学领域:
- 医学成像医学成像
- 血液学中的人工智能
背景情况:
- 高质量的图像数据对于训练深度学习 (DL) 分类器至关重要.
- 由于隐私问题,医疗图像的数据共享往往受到限制.
研究的目的:
- 评估生成对抗网络 (GAN) 在合成骨髓涂抹 (BMS) 图像中对DL分类器培训的有用性.
- 评估使用合成BMS数据训练的DL分类器的性能.
主要方法:
- 数字化骨髓涂抹 (BMS) 图像来自急性髓性白血病 (AML),急性肌肉细胞白血病 (APL) 和干细胞捐赠者的患者.
- 使用StyleGAN2-Ada.Ada生成的合成BMS图像
- 与血液学家进行了盲目的视觉图灵测试,以评估图像质量.
- 使用真实和合成BMS数据培训和评估DL分类器.
主要成果:
- 血液学家在识别合成图像时取得了63%的准确性,这表明了高现实性.
- 经过实数据训练的DL分类器在接收器下实现了0.99的AML,APL和供体分类的操作特征曲线 (AUROCs).
- 即使用合成样本逐渐替代真实数据,分类器的性能仍然高于0.95.
- 合成数据的添加改善了罕见疾病APL的分类器性能.
结论:
- 由GANs生成的合成BMS数据适合训练高精度图像分类器.
- 通过GAN合成的数据可以帮助克服医学成像AI开发中的数据限制.
- 这种方法有望提高血液学诊断的准确性,特别是对于罕见疾病.
