每天，在醫(yī)學(xué)實(shí)驗(yàn)室和診所都要對(duì)數(shù)百萬(wàn)個(gè)單細(xì)胞進(jìn)行疾病診斷診斷。大部分重復(fù)性工作仍由受過(guò)訓(xùn)練的細(xì)胞學(xué)家手動(dòng)完成，他們檢查染色涂片中的細(xì)胞并將其分為大約15個(gè)不同類別。該過(guò)程存在分類可，并且需要訓(xùn)練有素的細(xì)胞學(xué)家的存在和專業(yè)知識(shí)。

為了提高評(píng)估效率，Helmholtz ZentrumMünchen和慕尼黑LMU大學(xué)醫(yī)院的一組研究人員訓(xùn)練了一個(gè)具有近20.000個(gè)單細(xì)胞圖像的深層神經(jīng)元網(wǎng)絡(luò)，以對(duì)其進(jìn)行分類。團(tuán)隊(duì)由來(lái)自Helmholtz ZentrumMünchen的計(jì)算生物學(xué)研究所的Carsten Marr博士和醫(yī)學(xué)博士生Christian Matek博士以及來(lái)自LMU慕尼黑大學(xué)醫(yī)院第三系的med Karsten Spiekermann和Simone Schwarz教授，使用了從血液中提取的圖像100例患有侵襲性血液病AML的患者的涂片和100例對(duì)照。然后通過(guò)將其性能與人類專家的準(zhǔn)確性進(jìn)行比較來(lái)評(píng)估新的AI驅(qū)動(dòng)方法。結(jié)果表明，AI驅(qū)動(dòng)的解決方案能夠識(shí)別出診斷性的成年細(xì)胞，至少與訓(xùn)練有素的細(xì)胞學(xué)家一樣好。

通過(guò)人工智能和大數(shù)據(jù)進(jìn)行應(yīng)用研究

用于圖像處理的深度學(xué)習(xí)算法需要兩件事：第一，具有數(shù)十萬(wàn)個(gè)參數(shù)的適當(dāng)?shù)木矸e神經(jīng)網(wǎng)絡(luò)架構(gòu);第二，足夠大量的訓(xùn)練數(shù)據(jù)。到目前為止，盡管臨床上普遍使用了這些樣本，但尚無(wú)大型的血液涂片數(shù)字化數(shù)據(jù)集可用。Helmholtz ZentrumMünchen的研究小組現(xiàn)在提供了該類型的第一個(gè)大型數(shù)據(jù)集。目前，馬爾和他的團(tuán)隊(duì)正在與慕尼黑LMU大學(xué)醫(yī)院的第三醫(yī)學(xué)系以及歐洲最大的白血病實(shí)驗(yàn)室之一慕尼黑白血病實(shí)驗(yàn)室(MLL)緊密合作，以數(shù)字化數(shù)百種患者血液涂片。

“為了將我們的方法帶到診所，患者血液樣本的數(shù)字化已成為常規(guī)。必須對(duì)來(lái)自不同來(lái)源的樣本進(jìn)行算法訓(xùn)練，以應(yīng)對(duì)樣本制備和染色中固有的異質(zhì)性。” “與我們的合作伙伴一起，我們可以證明深度學(xué)習(xí)算法顯示出與人類細(xì)胞學(xué)家相似的性能。在下一步中，我們將評(píng)估在這種新的AI驅(qū)動(dòng)下，其他疾病特征(如基因突變或易位)的預(yù)測(cè)效果如何方法。”

這種方法展示了AI在翻譯研究中的應(yīng)用能力。這是Helmholtz ZentrumMünchen在血干細(xì)胞單細(xì)胞分類方面的開(kāi)創(chuàng)性工作的擴(kuò)展(Buggenthin等，Nature Methods，2017)，該研究已于2018年獲得了亥姆霍茲協(xié)會(huì)的歐文·施羅丁格獎(jiǎng)。由德國(guó)研究基金會(huì)(DFG)的SFB 1243和博士學(xué)位提供支持。德國(guó)何塞·卡雷拉斯白血病基金會(huì)向克里斯蒂安·馬特克博士頒發(fā)的獎(jiǎng)學(xué)金。