德國(guó)亥姆霍茲慕尼黑研究中心和慕尼黑大學(xué)的研究人員首次顯示，深度學(xué)習(xí)算法在對(duì)急性髓細(xì)胞性白血病患者的血樣進(jìn)行分類方面表現(xiàn)出色。該團(tuán)隊(duì)的概念驗(yàn)證研究為在不久的將來(lái)對(duì)樣品進(jìn)行自動(dòng)化、標(biāo)準(zhǔn)化和廣泛使用的分析鋪平了道路。該論文發(fā)表在《自然·機(jī)器智能》雜志上。

研究人員每天要在醫(yī)學(xué)實(shí)驗(yàn)室和診所評(píng)估數(shù)百萬(wàn)個(gè)個(gè)體血細(xì)胞以診斷疾病，這些重復(fù)性評(píng)估工作大多數(shù)仍然依靠人工完成。受過(guò)訓(xùn)練的細(xì)胞學(xué)家檢查染色的血涂片中的細(xì)胞，并將其分為大約15個(gè)不同的類別。這種分類過(guò)程容易導(dǎo)致樣品質(zhì)量變化，并且需要專家的存在和專業(yè)知識(shí)。

為了更有效地評(píng)估單個(gè)血細(xì)胞，亥姆霍茲慕尼黑研究中心和慕尼黑大學(xué)研究團(tuán)隊(duì)為此開(kāi)發(fā)了神經(jīng)元深度學(xué)習(xí)網(wǎng)絡(luò)。使用將近20000張單獨(dú)的圖像對(duì)其進(jìn)行了訓(xùn)練，以能夠?qū)?xì)胞進(jìn)行獨(dú)立分類。由卡斯滕·馬爾博士領(lǐng)導(dǎo)的團(tuán)隊(duì)使用了100例侵襲性血液病AML患者和100例對(duì)照的血液涂片中提取的圖像，然后通過(guò)將其與人類專家的準(zhǔn)確性進(jìn)行比較，來(lái)評(píng)估這種新的自動(dòng)化解決方案。

用于圖像處理的深度學(xué)習(xí)算法需要兩個(gè)基本條件，即具有數(shù)千個(gè)參數(shù)的合適的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)以及足夠的訓(xùn)練數(shù)據(jù)。到目前為止，還沒(méi)有大量的數(shù)字化血細(xì)胞記錄，盡管這些樣品每天都在診所使用。亥姆霍茲慕尼黑研究中心的研究小組現(xiàn)在已經(jīng)提供了此類的第一個(gè)大型數(shù)據(jù)集。目前，馬爾團(tuán)隊(duì)與慕尼黑大學(xué)醫(yī)學(xué)和綜合診所III，以及慕尼黑白血病實(shí)驗(yàn)室緊密合作，用數(shù)字化完成了數(shù)百例患者血液涂片。

馬爾表示，“將我們的方法付諸實(shí)踐，將患者的血液涂片數(shù)字化需要成為常規(guī)。需要對(duì)來(lái)自不同來(lái)源的樣品進(jìn)行算法訓(xùn)練，以了解樣品制備和染色過(guò)程中固有的異質(zhì)性。” “在我們的出版物中，我們能夠證明深度學(xué)習(xí)算法的性能與細(xì)胞學(xué)家一樣好。下一步我們將研究使用這種新的AI驅(qū)動(dòng)方法如何預(yù)測(cè)其他疾病，例如基因突變或易位。”

這項(xiàng)工作是在應(yīng)用研究中使用人工智能潛力的一個(gè)例子。它源自亥姆霍茲慕尼黑研究中心對(duì)血干細(xì)胞中單個(gè)細(xì)胞分類的研究工作的延續(xù)，該研究在2018年獲得了亥姆霍茲協(xié)會(huì)的艾文·施羅丁格獎(jiǎng)。這項(xiàng)研究還得到了德國(guó)科學(xué)基金會(huì)，以及德國(guó)何塞·卡雷拉斯白血病基金會(huì)的博士獎(jiǎng)學(xué)金的支持。(顧鋼)

關(guān)鍵詞： 血細(xì)胞 人工智能