每天,医学实验室和诊所对数以百万计的单个血细胞进行疾病诊断评估。大部分重复的工作仍然是由训练有素的细胞学家手工完成的,他们检查染色的血液涂片中的细胞,并将它们分为大约15个不同的类别。这一过程受到分类可变性的影响,需要训练有素的细胞学家的在场和专业知识。
为了提高评估效率,Helmholtz Zentrum München和慕尼黑大学医院的一组研究人员用近2万张单细胞图像训练了一个深度神经元网络来对它们进行分类。来自Helmholtz Zentrum München计算生物学研究所的Carsten Marr博士和医学博士生Christian Matek博士,以及慕尼黑大学医院医学部的Karsten Spiekermann教授和Simone Schwarz教授,使用的图像是从100名急性髓细胞白血病患者和100名对照组的血液涂片中提取的。然后,通过将人工智能驱动的新方法的性能与人类专家的准确性进行比较,对其进行评估。结果表明,人工智能驱动的解决方案能够识别诊断性母细胞,至少与训练有素的细胞学专家一样好。
人工智能与大数据
用于图像处理的深度学习算法需要两件事:第一,具有数十万参数的合适卷积神经网络结构;第二,足够大的训练数据。到目前为止,还没有大规模的数字化血液涂片数据集,尽管这些样本在诊所中广泛使用。Helmholtz Zentrum München的研究小组现在提供了第一个这种类型的大型数据集。目前,Marr和他的团队正与慕尼黑大学医院第三医学部和欧洲最大的白血病实验室之一慕尼黑白血病实验室(MLL)密切合作,进一步数字化数百个病人的血液涂片。
“为了将我们的方法应用到诊所,病人血液样本的数字化必须成为常规。必须用来自不同来源的样本来训练算法,以应对样本制备和染色中固有的异质性,”Marr说。“与我们的合作伙伴一起,我们可以证明深度学习算法具有与人类细胞学家相似的性能。下一步,我们将评估如何用这种新的人工智能驱动的方法来预测其他疾病特征,如基因突变或易位。”