來自慕尼黑的Helmholtz ZentrumMünchen和慕尼黑大學LMU的大學醫院的研究人員首次顯示，在對急性髓性白血病(AML)患者的血液樣本進行分類時，深度學習算法的性能與人類專家相似。他們的概念驗證研究為不久的將來進行自動化，標準化和現場樣本分析鋪平了道路。該論文發表在《自然機器智能》上。

    AI的深度學習算法以自動化和標準化的方式分析樣本。左：人類專家的分類。右：對于AI分析很重要的像素。圖片來源：Helmholtz ZentrumMünchen/ Carsten Marr。

    每天，在醫學實驗室和診所都要對數百萬個單細胞進行疾病診斷診斷。大部分重復性任務仍由受過訓練的細胞學家手動完成，他們檢查染色涂片中的細胞并將其分為大約15個不同類別。該過程存在分類可變性，并且需要訓練有素的細胞學家的存在和專業知識。

    為了提高評估效率，Helmholtz ZentrumMünchen和慕尼黑LMU大學醫院的一組研究人員訓練了一個具有約20.000個單細胞圖像的深層神經元網絡，以對其進行分類。團隊由來自Helmholtz ZentrumMünchen的計算生物學研究所的Carsten Marr博士和醫學博士生Christian Matek博士以及來自LMU慕尼黑大學醫院第三系的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確性來評估新的AI驅動方法。

    用于圖像處理的深度學習算法需要兩件事：首先，具有數十萬個參數的適當的卷積神經網絡架構;第二，足夠大量的訓練數據。到目前為止，盡管臨床上普遍使用了這些樣本，但尚無大型數字化血液涂片數據集。Helmholtz ZentrumMünchen的研究小組現在提供了該類型的第一個大型數據集。目前，Marr和他的團隊正在與LMU慕尼黑大學醫院的第三醫學系以及最大的歐洲白血病實驗室之一慕尼黑白血病實驗室(MLL)緊密合作，以數字化數百種患者血液涂片。

    為了將我們的方法帶到診所，患者血液樣本的數字化已成為常規。必須使用來自不同來源的樣本來訓練算法，以應對樣本制備和染色中固有的異質性。與我們的合作伙伴一起，我們可以證明深度學習算法顯示出與人類細胞學家相似的性能。下一步，我們將評估使用這種新的AI驅動方法可以預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在翻譯研究中的應用能力。這是Helmholtz ZentrumMünchen在血干細胞單細胞分類方面的開創性工作的擴展(Buggenthin等人，Nature Methods，2017)，該研究已于2018年獲得了Helmholtz協會的Erwin Schroedinger獎。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位獎學金提供支持。