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。

深度学习技术在细胞形态学图像处理中的研究进展

近年来,医学成像技术的飞速发展和普及应用使得医学图像分析进入了大数据时代,传统的利用医学成像设备进行筛查诊断的工作量巨大,并且由于患者的不断增多,往往伴随着患者病理学的个体差异、医生长时间辛苦的阅片工作和医生的主观评价等缺点,常会出现因假阳性率高而误诊的现象。深度学习技术在计算机视觉领域的巨大成功让医学图像实现计算机辅助筛查诊断成为可能。本文介绍了深度学习及其在细胞形态学图像处理领域的研究进展,总结了深度学习在细胞形态学图像分析中面临的挑战和可能的应对措施,并对应用前景进行了展望。

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。

人工智能血细胞形态学检查的关键技术进展

利用人工智能辅助血细胞形态学检查具有十分广阔的临床应用前景,它可以大幅提高工作效率,减轻人力负担,避免主观化,有利于实现标准化。其主要的重点和难点在于图像获取、图像分割、细胞识别与分类等几个关键的技术环节。近年来,无论是硬件设备还是软件算法都进展迅速,这使得人工智能辅助系统从数字图像采集、白细胞分割到细胞特征提取、分类等方面都出现了重要的发展。其中,相对于传统的机器学习而言,深度学习技术在血细胞形态学识别方面的应用尤其值得关注。此外,显微血细胞图像数据库的不断涌现也为各种算法技术的进一步发展和完善提供了重要支撑。了解人工智能辅助血细胞形态学检查的关键技术进展将有利于推进其不断发展,更好地走向临床应用。近年来人工智能技术从“传统的机器学习”向“深度学习”转变,不再依赖于人工提取特征,而是依靠其自动抽取数据的能力来实现。与国外血细胞图像数据库相比,国内数据库还有较大差距,应加强此方面的建设。