使用人工智能对儿科人口的外周血液涂抹样本进行检查的前性研究
Elif Habibe Aktekin1, Mert Burkay Çöteli2, Ayşe Erbay1
1Department of Pediatrics Division of Pediatric Hematology-Oncology, Dr. Turgut Noyan Application and Research Center, Başkent University, Adana, Turkiye.
Turkish journal of medical sciences
|May 9, 2025
概括
这项研究引入了一种人工智能工具,用于从外围血液涂抹图像中分类血细胞,从而实现特定细胞类型的高精度. 人工智能系统作为决策支持工具,增强了血液学中的诊断能力.
科学领域:
- 数字血液学 数字血液学
- 人工智能在医学中的应用
- 医学诊断 医学诊断 医学诊断
背景情况:
- 周围血液涂抹 (PBS) 和骨髓吸收是目前血液细胞疾病的诊断标准.
- 人工智能 (AI) 为数字血液学提供了新的可能性.
- 这项研究的重点是开发人工智能驱动的血细胞分类预诊断工具.
研究的目的:
- 开发一种人工智能学习技术,用于从PBS样本分类血细胞.
- 提高专家诊断的敏感性和特异性.
- 创建一个决策支持系统,用于血细胞疾病的预诊断.
主要方法:
- 使用基于云的幻灯片扫描仪 (Mantiscope) 在100倍放大下对PBS样本进行数字化.
- 儿童血液学专家对数字化图像进行注释.
- 数据增强技术以增加数据集大小和变化.
- 一个包含372个个体,约12,000张注释图像和约50万个血细胞对象的数据集.
- 通过主观测试来评估观察者间的可变性.
主要成果:
- 对于特定的细胞类型实现了高灵敏度:98%的髓细胞,94%的基细胞,90%的淋巴细胞.
- 观察到白细胞亚型的高特异性:99%的基细胞,乙氨基细胞,单细胞,超细分中性细胞,带中性细胞和反应性中性细胞.
- 对于红细胞,敏感性达到93%的normoblast和特异性99%的normoblast和笔细胞.
- 数据增强改善了白细胞的性能指标.
结论:
- 人工智能技术可以实现>90%的敏感性和特异性对于某些血细胞类型.
- 数据增强提高了AI学习方法的有效性,特别是对于白细胞.
- 这种人工智能方法显示出作为评估急性白血病和溶血性疾病的有价值工具的潜力.
