基于人工智能的中性粒细胞失生症检测:一种可访问和敏感的模型,用于从周围血液中诊断MDS

科学领域:

• 血液学 血液学 血液学
• 计算生物学 计算生物学
• 医疗成像医学成像

背景情况:

• 骨髓发育综合征 (MDS) 的诊断是具有挑战性的,依赖于专家形态分析和骨髓基因组测试.
• 周围血液涂抹 (PBS) 分析至关重要,但需要专门的专业知识.
• 开发自动化诊断工具可以提高效率和可访问性.

研究的目的:

• 开发和验证计算机视觉AI模型,用于从外围血液涂抹图像中诊断MDS.
• 在MDS患者中区分失塑性和非失塑性中性粒细胞.
• 为了能够检测出突出和非突出的MDS病例.

主要方法:

• 训练了一种中性粒细胞分类器,使用84个MDS和60个非MDS外围血液涂抹图像中的43,371个中性粒细胞.
• 模型学习是基于突出的MDS (pMDS) 病例中中性粒细胞的单细胞注释.
• 改进了模型,以检测没有明确的人类定义的形态特征的非突出MDS (npMDS).

主要成果:

• 中性粒细胞分类器实现了94%的整体准确性,具有0.95的灵敏度和0.94的特异性.
• 该模型正确识别了91/94例患者样本 (98%的灵敏度,96%的特异性,AUC为0.999).
• 准确识别了43/44个非突出的MDS样本.

结论:

• 基于人工智能的模型显示了提高MDS诊断效率的巨大潜力.
• 开发的模型提供了可在标准CPU上运行的可访问的解决方案.
• 这项技术可以减少对专门形态学家和侵入性骨髓分析的依赖.