基于人工智能的细胞检测与细胞处理解决方案诱导的细胞形态变异之间的关系:人工智能细胞学数据增强的有用性

科学领域:

• 计算病理学计算病理学
• 数字细胞学数字细胞学
• 医学中的人工智能

背景情况:

• 样本制备中的细胞形态变异阻碍了人工智能 (AI) 在细胞学中的实施.
• 挑战包括小规模的研究和不足的数据集,用于AI发展在这个领域.

研究的目的:

• 调查细胞处理解决方案,细胞形态变化和AI细胞检测准确性之间的联系.
• 评估数据增强在提高细胞学AI性能方面的有效性.

主要方法:

• 用不同的溶液处理MKN45人类胃癌细胞并进行处理.
• 进行了帕帕尼科劳染色,随后进行了核和细胞质特征 (面积,HSB值) 的数学分析.
• 深度学习模型被训练有或没有数据增强来评估AI细胞检测率.

主要成果:

• 肝素溶液治疗诱导了显著的细胞形态差异,影响了核和细胞质特征.
• 与对照细胞相比,在氨酸治疗的细胞中,AI细胞检测率明显较低.
• 数据增强增强了所有测试细胞样本的AI细胞检测准确度.

结论:

• 确定了影响AI细胞识别的关键细胞形态特征.
• 数据增强被证实是一个有价值的策略,以提高基于AI的细胞检测精度在细胞学.