每天，医学实验室或诊所等组织都要对数百万个单细胞的确诊作业。大部分重复性作业仍由受过练习的细胞学家手动完结，他们经过查看染色涂片中的细胞并将其分为大约15个不同类别。为了顺利完结上述作业，需求具有专业相关常识且练习有素的细胞学家。
为了更好的进步细胞分类以及检测功率，Helmholtz Zentrum München和慕尼黑LMU大学医院的一组研讨人员“练习”了一个具有近20,000个单细胞图画的深层神经元网络。在这项研讨中，来自Helmholtz ZentrumMünchen的核算生物学研讨所的Carsten Marr博士与Christian Matek博士以及来自LMU慕尼黑大学医院的med Karsten Spiekermann和Simone Schwarz教授对 100例患有侵袭性血液病AML的患者和100例对照志愿者的血液涂片中提取了相关的图画而且做多元化的剖析。经过比较其与人类专家的检测准确性，然后评价AI驱动的检测的新办法的作用。结果表明，由AI驱动的解决方案可以取得与练习有素的细胞学家相同好的成果。
用于图画处理的深度学习算法需求两件事：首要，具有数十万个参数的，恰当的卷积神经网络架构；第二，满足很多的练习数据。到现在为止，虽然临床上遍及使用了这些样本，但尚无大型数字化血液涂片数据调集。Helmholtz ZentrumMünchen的研讨小组现在供给了该类型的第一个大型数据集。现在，Marr和他的团队正在与LMU慕尼黑大学医院的第三医学系以及欧洲最大的白血病实验室之一慕尼黑白血病实验室（MLL）严密协作，以数字化出现数百种患者血液涂片的更多信息。
“要把咱们的办法转化为确诊组织的惯例检测手法，患者血液样本的数字化有必要首要完成。经过对来自不同来历的样本进行算法练习，以应对样本制备和染色中固有的异质性。”
资讯出处：leukemia diagnostics: AI-driven single blood cell classification
原始出处：Christian Matek, Simone Schwarz, Karsten Spiekermann, Carsten Marr.Human-level recognition of blast cells in acute myeloid leukaemia with convolutional neural networks.Nature Machine Intelligence, 2019; DOI: 10.1038/s42256-019-0101-9
Cell：细胞医治范畴观察者
