血液细胞形态学的深度生成分类.

科学领域:

• 医学诊断 医学诊断 医学诊断
• 计算病理学计算病理学
• 医疗保健中的人工智能

背景情况:

• 血液细胞形态评估对于诊断疾病至关重要,但由于微妙的变化和成像因素,对自动化系统来说具有挑战性.
• 传统的机器学习模型与域移位,细胞类型内的变异性以及识别罕见细胞变异性作斗争,限制了它们的临床使用.
• 需要精确和强大的血液细胞形态自动分析来提高诊断效率和准确性.

研究的目的:

• 引入CytoDiffusion,一种基于扩散的生成分类器,用于血液细胞形态分析.
• 展示CytoDiffusion在准确分类,异常检测和抵抗分布变化的能力.
• 在血液学中建立医学图像分析的新基准.

主要方法:

• 开发了基于扩散的生成分类器CytoDiffusion,该分类器模拟了血细胞形态分布.
• 对异常检测,域位移阻力和低数据性能的最先进的歧视模型进行评估.
• 评估了由专家血液学家生成的合成血细胞图像的临床现实性.
• 实施反事实热图,以提高模型的可解释性.

主要成果:

• 细胞扩散在异常检测 (AUC 0.990对0.916) 和抵抗域转移 (准确率为85.4%对73.8%) 中取得了卓越的性能.
• 该模型在低数据体系中表现出色,达到96.2%的平衡精度,而歧视性模型的精度为92.4%.
• 由专家血液学家生成的合成血细胞图像无法与真实图像区分 (精度为0.523).
• 赛托扩散证明了数据的效率,解释性和不确定性量化超过了临床专家.

结论:

• 细胞扩散为血液细胞形态分析提供了一种强大的新方法,在准确性和稳定性方面超过了当前的方法.
• 生成模型准确模拟血细胞形态的能力提高了诊断能力,并提供了可解释的见解.
• 细胞扩散在血液学中为医学图像分析设定了新的标准,为改善临床诊断准确度铺平了道路.