基于深度学习的骨髓涂片上的骨髓显样综合征的形态评估
Shizuo Kaji1, Hiroki Kawai2, Kei Shimbo3
1Institute of Mathematics for Industry, Kyushu University, Motooka 744, Nishi-ku, Fukuoka 819-0395, Japan.
Leukemia research
|August 1, 2025
概括
深度学习在骨髓图像中识别红细胞 (RBC) 形态,以诊断骨髓发育综合征 (MDS). 这种人工智能方法揭示了RBC形状和分布作为新的生物标志物,提高了诊断的客观性.
科学领域:
- 血液学 血液学 血液学
- 计算生物学 计算生物学
- 病理学 病理学 病理学
背景情况:
- 骨髓发育综合征 (MDS) 是一种血液癌症,通常通过主观骨髓涂抹评估来诊断.
- 客观的诊断标准,如细胞遗传学分析,对于准确的MDS分类至关重要.
- 当前的诊断方法可能会忽略血液细胞中微妙的形态特征.
研究的目的:
- 开发一种深度学习模型,用于识别与细胞遗传学定义的MDS (cMDS) 相关的骨髓涂抹的整体幻灯片图像 (WSIs) 中的形态异常.
- 研究红细胞形态学作为MDS诊断的客观生物标志物的潜力.
- 使用人工智能提高MDS诊断的精度和客观性.
主要方法:
- 对骨髓涂抹的WSIs应用了深度学习方法.
- 该模型分析了RBC的细分二进制面具,以评估形状和纹理特征.
- 传统的图像分类模型与RBC形态模型一起使用.
- 这些模型被评估为诊断准确性,控制贫血.
主要成果:
- 红细胞形态模型证明了对cMDS的高诊断准确性,独立于贫血.
- 在红细胞形状和分布特征和cMDS之间发现了显著的关联.
- 这些红细胞特征以前没有被人类专家识别.
结论:
- 红细胞形态学代表了髓质疏松综合征的新和客观生物标志物.
- 人工智能,特别是对WSIs应用的深度学习,可以显著提高血液恶性瘤的诊断准确性和客观性.
- 通过人工智能对细胞形态的分析,有望彻底改变MDS诊断和患者护理.
