卷积神经网络图像分析和机器学习的应用,用于用于智能诊断辅助的基本血液检测
Yuki Horiuchi1,2, Mendamar Ravzanaadii1,2, Jing Bai2
1Department of Clinical Laboratory Medicine, Juntendo University Graduate School of Medicine, Tokyo, Japan.
International journal of laboratory hematology
|September 11, 2025
概括
一个用于血液细胞图像识别和诊断的新型深度学习系统显示出高精度. 通过将图像分析与完整的血清数据相结合,这种诊断辅助工具对常规临床使用具有前景.
科学领域:
- 血液学 血液学 血液学
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 开发了一种用于外围血液细胞图像识别的自动深度学习系统.
- 构建了一个诊断辅助系统,将图像识别数据与全血细胞计 (CBC) 数据集成在一起.
研究的目的:
- 评估图像识别深度学习系统 (DLS) 的临床性能,以及在例行检查中的诊断辅助 DLS.
主要方法:
- 在超过140万张外围血液细胞图像上训练了图像识别 DLS,以分类 14 种细胞类型和 24 种形态特征.
- 将图像识别DLS数据与自动化血液学分析仪的CBC数据结合起来,创建诊断辅助DLS.
- 评估了来自健康受试者和各种血液恶性瘤病例的超过128,000张图像的性能.
主要成果:
- 图像识别DLS在14种血细胞类型中实现了高精度 (97.3%-99.9%),在11种形态特征中达到>90%.
- 观察到布拉斯特细胞的准确检测和恶性淋巴细胞的分类.
- 诊断辅助DLS在区分骨髓质疏松症候群 (MDS) 中表现出高性能,AUC为0.99.
结论:
- 诊断助手DLS将形态图像识别与CBC参数集成在一起,显示出作为临床诊断工具的巨大潜力.
