來自慕尼黑的Helmholtz ZentrumMünchen和慕尼黑大學(xué)LMU的大學(xué)醫(yī)院的研究人員首次顯示，在對急性髓性白血病(AML)患者的血液樣本進(jìn)行分類時(shí)，深度學(xué)習(xí)算法的性能與人類專家相似。他們的概念驗(yàn)證研究為不久的將來進(jìn)行自動化，標(biāo)準(zhǔn)化和現(xiàn)場樣本分析鋪平了道路。該論文發(fā)表在《自然機(jī)器智能》上。

　　AI的深度學(xué)習(xí)算法以自動化和標(biāo)準(zhǔn)化的方式分析樣本。左：人類專家的分類。右：對于AI分析很重要的像素。

　　每天，在醫(yī)學(xué)實(shí)驗(yàn)室和診所都要對數(shù)百萬個(gè)單細(xì)胞進(jìn)行疾病診斷診斷。大部分重復(fù)性任務(wù)仍由受過訓(xùn)練的細(xì)胞學(xué)家手動完成，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。該過程存在分類可變性，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。

　　為了提高評估效率，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)具有約20.000個(gè)單細(xì)胞圖像的深層神經(jīng)元網(wǎng)絡(luò)，以對其進(jìn)行分類。團(tuán)隊(duì)由來自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博士以及來自LMU慕尼黑大學(xué)醫(yī)院第三系的med Karsten Spiekermann和Simone Schwarz教授，這些圖像是從100例患有侵襲性血液病AML的患者和100例對照的血液涂片中提取的。然后通過比較其性能與人類專家的準(zhǔn)確性來評估新的AI驅(qū)動方法。

　　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，但尚無大型數(shù)字化血液涂片數(shù)據(jù)集。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)系以及最大的歐洲白血病實(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)。必須使用來自不同來源的樣本來訓(xùn)練算法，以應(yīng)對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。下一步，我們將評估使用這種新的AI驅(qū)動方法可以預(yù)測出其他疾病的特征，例如基因突變或易位。”

　　該方法展示了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)胞分類方面的開創(chuàng)性工作的擴(kuò)展(Buggenthin等人，Nature Methods，2017)，該研究已于2018年獲得了Helmholtz協(xié)會的Erwin Schroedinger獎(jiǎng)。由德國研究基金會(DFG)的SFB 1243以及德國何塞·卡雷拉斯白血病基金會向克里斯蒂安·梅特克博士提供的博士學(xué)位獎(jiǎng)學(xué)金提供支持。