德國亥姆霍茲慕尼黑研究中心和慕尼黑大學的研究人員首次顯示，深度學習算法在對急性髓細胞性白血病患者的血樣進行分類方面表現(xiàn)出色。該團隊的概念驗證研究為在不久的將來對樣品進行自動化、標準化和廣泛使用的分析鋪平了道路。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)學實驗室和診所評估數(shù)百萬個個體血細胞以診斷疾病，這些重復性評估工作大多數(shù)仍然依靠人工完成。受過訓練的細胞學家檢查染色的血涂片中的細胞，并將其分為大約15個不同的類別。這種分類過程容易導致樣品質(zhì)量變化，并且需要專家的存在和專業(yè)知識。

為了更有效地評估單個血細胞，亥姆霍茲慕尼黑研究中心和慕尼黑大學研究團隊為此開發(fā)了神經(jīng)元深度學習網(wǎng)絡。使用將近20000張單獨的圖像對其進行了訓練，以能夠?qū)毎M行獨立分類。由卡斯滕·馬爾博士領導的團隊使用了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習算法需要兩個基本條件，即具有數(shù)千個參數(shù)的合適的神經(jīng)網(wǎng)絡體系結構以及足夠的訓練數(shù)據(jù)。到目前為止，還沒有大量的數(shù)字化血細胞記錄，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大型數(shù)據(jù)集。目前，馬爾團隊與慕尼黑大學醫(yī)學和綜合診所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。

馬爾表示，“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)。需要對來自不同來源的樣品進行算法訓練，以了解樣品制備和染色過程中固有的異質(zhì)性。” “在我們的出版物中，我們能夠證明深度學習算法的性能與細胞學家一樣好。下一步我們將研究使用這種新的AI驅(qū)動方法如何預測其他疾病，例如基因突變或易位。”

這項工作是在應用研究中使用人工智能潛力的一個例子。它源自亥姆霍茲慕尼黑研究中心對血干細胞中單個細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)會的艾文·施羅丁格獎。這項研究還得到了德國科學基金會，以及德國何塞·卡雷拉斯白血病基金會的博士獎學金的支持。

關鍵詞： 深度學習