每天，在医学实验室和诊所都要对数百万个单细胞进行疾病诊断诊断。大部分重复性任务仍由受过训练的细胞学家手动完成，他们检查染色涂片中的细胞并将其分为大约15个不同类别。该过程存在分类可变性，并且需要训练有素的细胞学家的存在和专业知识。

为了提高评估效率，Helmholtz ZentrumMünchen和慕尼黑LMU大学医院的一组研究人员训练了一个具有约20.000个单细胞图像的深层神经元网络，以对其进行分类。团队由来自Helmholtz ZentrumMünchen的计算生物学研究所的Carsten Marr博士和医学博士生Christian Matek博士以及来自LMU慕尼黑大学医院第三系的med Karsten Spiekermann和Simone Schwarz教授，这些图像是从100例患有侵袭性血液病AML的患者和100例对照的血液涂片中提取的。然后通过比较其性能与人类专家的准确性来评估新的AI驱动方法。

通过人工智能和大数据进行应用研究

用于图像处理的深度学习算法需要两件事：首先，具有数十万个参数的适当的卷积神经网络架构;第二，足够大量的训练数据。到目前为止，尽管临床上普遍使用了这些样本，但尚无大型数字化血液涂片数据集。Helmholtz ZentrumMünchen的研究小组现在提供了该类型的第一个大型数据集。目前，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最大的欧洲白血病实验室之一-慕尼黑白血病实验室(MLL)密切合作，以数字化数百种患者血液涂片。

“要把我们的方法带到诊所，病人血液样本的数字化必须成为常规。必须对来自不同来源的样本进行算法训练，以应对样本制备和染色中固有的异质性，” Marr说。“与我们的合作伙伴一起，我们可以证明深度学习算法表现出与人类细胞学家相似的性能。在下一步中，我们将评估在这种新的AI驱动下，其他疾病特征(如基因突变或易位)的预测效果如何方法。”