基于对比学习的急性早幼粒细胞白血病智能检测算法模型在全血细胞分析中的建立与验证

目的利用学习统计软件建立基于对比大模型的急性早幼粒细胞白血病(M3)智能检测算法模型(简称M3模型),并验证其有效性。方法通过实验室信息系统(LIS)和医院信息系统(HIS)检索并统计北京协和医院8256例行全血细胞分析的门诊及住院患者数据,建立M3筛查模型。采用2023年7—10月本院行全血细胞分析的门诊及住院患者数据对M3模型进行验证。结果M3模型对全血细胞分析中M3的筛查具有一定应用价值,在筛查中性粒细胞毒性变化方面有一定作用,成功筛出2例中性粒细胞蓝绿色包涵体。结论M3模型对M3诊断的特异性有待提高。后续研究将增加M3阳性病例以优化模型,在保证高敏感性的同时提高特异性,为全血细胞分析智能审核提供帮助。

白细胞散点图识别模型的建立与验证

目的建立全血细胞分析白细胞分类(WDF)通道散点图的识别模型,验证其有效性。方法运用卷积自编码技术,算法训练采用pytorch框架,模型训练采用AlexNet为基准网络,加入先验知识算法形成双重验证机制。采用32729份WDF通道散点图作为初始数据集,由3位检验技师对散点图进行标定,根据2次标定结果是否完全一致将初始数据集分为特征显著散点图和特征不显著散点图,训练集、验证集和测试集A所含2类散点图数量按照8∶1∶1进行划分,即26185份散点图作为训练集,3272份散点图作为验证集,3272份散点图作为测试集A。再通过日常工作中11043份散点图(测试集B)验证模型精确率,并与检验技师的判断结果进行对比分析。结果模型和检验技师在测试集A、B的精确率分别为0.956、0.967和0.924、0.932,模型和检验技师在测试集B所含正常、异常散点图精确率分别为0.979、0.935和0.992、0.795,所含特征显著、不显著散点图精确率分别为0.985、0.921和1.000、0.662。结论当散点图特征不显著的情况时,该模型能够给出更加准确的结论,为检验技师提供有价值的参考,辅助检验技师作出正确的判断。