DeepHeme是一款高性能,可通用的深层组合,用于骨髓形态测量和血液诊断
Shenghuan Sun1, Zhanghan Yin2,3,4, Jacob G Van Cleave2,3
1Bakar Computational Health Sciences Institute, University of California, San Francisco, CA 94143, USA.
Science translational medicine
|June 11, 2025
概括
深度学习模型DeepHeme准确地分类骨髓细胞,匹配或超过人类专家的性能. 这种人工智能工具提高了血液学疾病的诊断效率.
科学领域:
- 计算病理学计算病理学
- 血液学中的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 骨髓吸附物 (BMA) 细胞形态学对于诊断血液学疾病至关重要,但复杂且容易出错.
- 目前用于BMA分析的深度学习模型缺乏专家级准确性和通用性.
研究的目的:
- 开发和验证一个深度学习模型,用于准确和可概括的骨髓细胞分类.
- 为了在自动化血液病理幻灯片分析中实现专家级别的性能.
主要方法:
- 开发了DeepHeme,这是一个快照集团深度学习分类器,使用了30394张骨髓图像的精选数据集.
- 在旧金山加利福尼亚大学的数据上训练和测试DeepHeme,并在纪念斯隆凯特林癌症中心的独立数据集上进行验证.
- 将DeepHeme的细胞分类性能与三个人类血液病理学专家进行了比较.
主要成果:
- DeepHeme实现了比以前的模型更高的准确性,并分类了更多的细胞类型.
- 外部验证表明,在不同的数据集和WSI系统中具有强大的通用性.
- 在单个细胞分类方面,DeepHeme的诊断性能与人类专家的诊断性能相当或超过.
结论:
- DeepHeme代表了自动化血液病理幻灯片分析的重大进步.
- 精确且可泛化的人工智能驱动的细胞分类有助于开发预测标记.
- 这项技术有可能提高血液学疾病处理中的诊断效率和准确性.
