Nyt machine learning -system kan automatisk identificere former for røde blodlegemer

Ved hjælp af en beregningsmæssig tilgang kendt som dyb læring, forskere har udviklet et nyt system til at klassificere formerne for røde blodlegemer i en patients blod. Fundene, udgivet i PLOS Computational Biology , potentielt kunne hjælpe læger med at overvåge mennesker med seglcellesygdom.

En person med seglcellesygdom producerer unormalt formet, stive røde blodlegemer, der kan opbygge og blokere blodkar, forårsager smerte og nogle gange død. Sygdommen er opkaldt efter seglformede (halvmåne-lignende) røde blodlegemer, men det resulterer også i mange andre former, såsom ovale eller aflange røde blodlegemer. De særlige former, der findes hos en given patient, kan holde spor om sværhedsgraden af ​​deres sygdom, men det er svært at manuelt klassificere disse former.

For at automatisere processen med at identificere røde blodlegemers form, Mengjia Xu fra Northeastern University, Kina, og kolleger udviklede en beregningsramme, der anvender et maskinlæringsværktøj kendt som et dybt konvolutionsnervalt netværk (CNN).

Den nye ramme bruger tre trin til at klassificere formerne for røde blodlegemer i mikroskopiske billeder af blod. Først, det adskiller røde blodlegemer fra baggrunden for hvert billede og fra hinanden. Derefter, for hver detekteret celle den zoomer ind eller ud, indtil alle cellebilleder er ensartede. Endelig, den bruger dybe CNN'er til at kategorisere cellerne efter form.

Forskerne validerede deres nye værktøj ved hjælp af 7, 000 mikroskopibilleder fra otte seglcellepatienter. De fandt ud af, at den automatiserede metode med succes klassificerede røde blodlegemers form for både iltede og deoxygenerede celler (røde blodlegemer transporterer ilt til væv i hele kroppen).

"Vi har udviklet det første deep learning -værktøj, der automatisk kan identificere og klassificere ændringer i røde blodlegemer, deraf give direkte kvantitativt bevis på sygdommens sværhedsgrad, "siger studieforfatter George Karniadakis.

Forskergruppen planlægger at forbedre deres dybe CNN -værktøj yderligere og teste det i andre blodsygdomme, der ændrer form og størrelse på røde blodlegemer, såsom diabetes og hiv. De planlægger også at undersøge dets nytteværdi ved karakterisering af kræftceller.