每天，醫(yī)學(xué)實(shí)驗(yàn)室或診所等機(jī)構(gòu)都要對(duì)數(shù)百萬(wàn)個(gè)單細(xì)胞的診斷工作。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，他們通過(guò)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。為了順利完成上述工作，需要具備專業(yè)知識(shí)且訓(xùn)練有素的細(xì)胞學(xué)家。

 

　　為了提高細(xì)胞分類以及檢測(cè)效率，Helmholtz Zentrum München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)。在這項(xiàng)研究中，來(lái)自Helmholtz ZentrumMünchen的計(jì)算生物學(xué)研究所的Carsten Marr博士與Christian Matek博士以及來(lái)自LMU慕尼黑大學(xué)醫(yī)院的med Karsten Spiekermann和Simone Schwarz教授對(duì) 100例患有侵襲性血液病AML的患者和100例對(duì)照志愿者的血液涂片中提取了相關(guān)的圖像并且進(jìn)行分析。通過(guò)比較其與人類專家的檢測(cè)準(zhǔn)確性，從而評(píng)估AI驅(qū)動(dòng)的檢測(cè)方法的效果。結(jié)果表明，由AI驅(qū)動(dòng)的解決方案能夠取得與訓(xùn)練有素的細(xì)胞學(xué)家一樣好的成績(jī)。

 

　　用于圖像處理的深度學(xué)習(xí)算法需要兩件事：首先，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)大型數(shù)字化血液涂片數(shù)據(jù)集合。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，Marr和他的團(tuán)隊(duì)正在與LMU慕尼黑大學(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)字化呈現(xiàn)數(shù)百種患者血液涂片的更多信息。

 

　　“要把我們的方法轉(zhuǎn)化為診斷機(jī)構(gòu)的常規(guī)檢測(cè)手段，病人血液樣本的數(shù)字化必須首先實(shí)現(xiàn)。通過(guò)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。”