每天，醫學實驗室或診所等機構都要對數百萬個單細胞的診斷工作。大部分重複性工作仍由受過訓練的細胞學家手動完成，他們通過檢查染色塗片中的細胞並將其分為大約15個不同類別。為了順利完成上述工作，需要具備專業知識且訓練有素的細胞學家。
每天，醫學實驗室或診所等機構都要對數百萬個單細胞的診斷工作。大部分重複性工作仍由受過訓練的細胞學家手動完成，他們通過檢查染色塗片中的細胞並將其分為大約15個不同類別。為了順利完成上述工作，需要具備專業知識且訓練有素的細胞學家。
為了提高細胞分類以及檢測效率，Helmholtz Zentrum München和慕尼黑LMU大學醫院的一組研究人員“訓練”了一個具有近20,000個單細胞圖像的深層神經元網絡。在這項研究中，來自Helmholtz ZentrumMünchen的計算生物學研究所的Carsten Marr博士與Christian Matek博士以及來自LMU慕尼黑大學醫院的med Karsten Spiekermann和Simone Schwarz教授對 100例患有侵襲性血液病AML的患者和100例對照誌願者的血液塗片中提取了相關的圖像並且進行分析。通過比較其與人類專家的檢測準確性，從而評估AI驅動的檢測方法的效果。結果表明，由AI驅動的解決方案能夠取得與訓練有素的細胞學家一樣好的成績。
用於圖像處理的深度學習算法需要兩件事：首先，具有數十萬個參數的，適當的卷積神經網絡架構;第二，足夠大量的訓練數據。到目前為止，盡管臨床上普遍使用了這些樣本，但尚無大型數字化血液塗片數據集合。Helmholtz ZentrumMünchen的研究小組現在提供了該類型的第一個大型數據集。目前，Marr和他的團隊正在與LMU慕尼黑大學醫院的第三醫學係以及歐洲最大的白血病實驗室之一慕尼黑白血病實驗室(MLL)緊密合作，以數字化呈現數百種患者血液塗片的更多信息。
“要把我們的方法轉化為診斷機構的常規檢測手段，病人血液樣本的數字化必須首先實現。通過對來自不同來源的樣本進行算法訓練，以應對樣本製備和染色中固有的異質性。”
我要跟帖copyright©醫學論壇網 版權所有，未經許可不得複製、轉載或鏡像
京ICP證120392號 京公網安備110105007198 京ICP備10215607號-1 （京）網藥械信息備字（2022）第00160號
