德國亥姆霍茲慕尼黑研究中心和慕尼黑大學(xué)的研究人員首次發(fā)現(xiàn)，在對急性髓細(xì)胞性白血病患者的血樣進行分類方面，深度學(xué)習(xí)算法表現(xiàn)出色。這一概念驗證研究為將來廣泛使用對樣品的自動化、標(biāo)準(zhǔn)化分析鋪平了道路。該論文發(fā)表在《自然·機器智能》雜志上。

研究人員每天要在醫(yī)學(xué)實驗室和診所評估數(shù)百萬個血細(xì)胞以診斷疾病，將其分為大約15個不同的類別。這些重復(fù)性工作大多數(shù)依靠人工完成，容易導(dǎo)致樣品質(zhì)量變化，并且要依靠專家和專業(yè)知識。

為了更有效地評估單個血細(xì)胞，研究團隊開發(fā)了神經(jīng)元深度學(xué)習(xí)網(wǎng)絡(luò)，用了將近20000張單獨的圖像對其進行訓(xùn)練，使其能夠?qū)?xì)胞進行獨立分類。由卡斯滕·馬爾博士領(lǐng)導(dǎo)的團隊使用了從100例侵襲性血液病AML患者和100例對照的血液涂片中提取的圖像，然后通過將其與人類專家的準(zhǔn)確性進行比較，來評估這種新的自動化解決方案。

用于圖像處理的深度學(xué)習(xí)算法需要兩個基本條件：具有數(shù)千個參數(shù)的合適的神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)和足夠的訓(xùn)練數(shù)據(jù)。到目前為止，還沒有大量的數(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提供了此類的第一個大型數(shù)據(jù)集。目前，馬爾團隊與慕尼黑大學(xué)醫(yī)學(xué)和綜合診所III，以及慕尼黑白血病實驗室緊密合作，用數(shù)字化完成了數(shù)百例患者血液涂片。

“將我們的方法付諸實踐，將患者的血液涂片數(shù)字化需要成為常規(guī)，還要對不同來源的樣品進行算法訓(xùn)練，以了解樣品制備和染色過程中固有的異質(zhì)性?！瘪R爾說，“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)動方法如何預(yù)測其他疾病，例如基因突變或易位?！?nbsp;