使用基于扩散的瓦斯斯坦生成对抗网络的临床应用,用于血液细胞的形态分析
Hyun-Young Kim1, Emmanuel Edward Ngasa2, Hee-Jin Kim1
1Department of Laboratory Medicine and Genetics, Samsung Medical Center, Sungkyunkwan University School of Medicine, Seoul, Korea.
Journal of clinical laboratory analysis
|October 6, 2025
概括
基于扩散的Wasserstein生成对抗网络与梯度惩罚 (DWGAN-GP) 显著改善了血细胞分类的准确性. 这种人工智能方法通过解决数据不平衡和提高准确性来增强血液学疾病的诊断,特别是对于关键细胞类型.
科学领域:
- 血液学 血液学 血液学
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 手动显微镜用于血液涂抹分析是耗时且主观的.
- 数字形态分析仪提供了自动化,但在分类某些细胞类型方面面临着挑战.
- 基于扩散的Wasserstein生成对抗网络与梯度惩罚 (DWGAN-GP) 显示了图像增强和数据平衡的潜力.
研究的目的:
- 使用DWGAN-GP模型调查血液细胞分类的准确性.
- 评估DWGAN-GP在提高图像质量和解决外围血液细胞分析数据不平衡方面的有效性.
主要方法:
- 将DWGAN-GP模型与EfficientNetB3分类模型相结合.
- 使用了来自患有正常和异常血液状况的患者的78,494张外周血液细胞图像.
- 用合成图像增强数据平衡了代表性不足的类别,在13种细胞类型中创造了平等的代表性.
主要成果:
- 通过DWGAN-GP增强,EfficientNetB3的分类准确度提高到97.74% (F1得分为91.13%),超过了不平衡数据集 (95.68%准确率,82.12%F1得分) 和商业分析仪 (95%准确率).
- 在分类少数细胞类型中观察到显著的改善,包括在白血病诊断中至关重要的爆发和髓细胞.
- 合成数据方法有效地解决了类不平衡,导致了更强大的分类.
结论:
- 通过DWGAN-GP集成合成数据显著提高模型性能,并解决类不平衡问题.
- 这种人工智能驱动的方法为更准确和更一致的血细胞分类提供了有希望的方法.
- 这些发现表明,各种血液学疾病的临床诊断可能有所改善.


