基于图像的可解释的人工智能能够准确地识别骨髓质瘤,超出了常规的肌肉发育不良症状
Jan-Niklas Eckardt1,2, Ishan Srivastava3,4, Freya Schulze3
1Department of Internal Medicine I, University Hospital Carl Gustav Carus, TUD Dresden University of Technology, Dresden, Germany. jan-niklas.eckardt@uniklinikum-dresden.de.
NPJ precision oncology
|December 11, 2025
概括
深度学习模型在骨髓涂抹中准确地检测骨髓瘤 (MDS),克服了手动评估的变化. 人工智能识别了关键的核特征,使得MDS能够在不需要细胞水平注释的情况下进行精确的诊断.
科学领域:
- 血液学 血液学 血液学
- 计算病理学计算病理学
- 医学中的人工智能
背景情况:
- 精确诊断髓质瘤 (MDS) 是至关重要的,但依赖于手动骨髓涂抹 (BMS) 评估.
- 手动BMS评估存在显著的观察者间变异性,影响诊断一致性.
- 开发客观和可重复的MDS诊断方法是血液病理学的一个关键挑战.
研究的目的:
- 开发和验证深度学习模型,以准确地分类骨髓质瘤 (MDS).
- 评估这些模型在区分MDS与急性髓性白血病和正常骨髓捐赠者的表现.
- 用可解释性技术解释模型的决策过程.
主要方法:
- 在骨髓涂抹图像上训练端到端深度学习模型.
- 使用内部测试和外部验证数据集来评估模型的准确性.
- 应用遮蔽灵敏度映射来识别重要的图像区域进行分类.
主要成果:
- 深度学习模型在区分MDS,急性髓性白血病和正常骨髓涂抹方面取得了高准确性.
- 外部验证证实了训练模型的稳定性和通用性.
- 闭塞敏感度映射突出了核结构的重要性,超越了传统的发育不良标志物,用于准确检测MDS.
结论:
- 端到端的深度学习提供了一个非常准确和可解释的方法,用于从骨髓涂抹中诊断MDS.
- 人工智能驱动的分析可以克服手动评估的局限性,减少观察者之间的变化.
- 这些模型通过识别关键的核特征,提供了对MDS形态的洞察,从而有可能改善诊断标准.
