德国亥姆霍兹慕尼黑研究中心和慕尼黑大学的研究人员首次显示，深度学习算法在对急性髓细胞性白血病患者的血样进行分类方面表现出色。该团队的概念验证研究为在不久的将来对样品进行自动化、标准化和广泛使用的分析铺平了道路。该论文发表在《自然·机器智能》杂志上。

研究人员每天要在医学实验室和诊所评估数百万个个体血细胞以诊断疾病，这些重复性评估工作大多数仍然依靠人工完成。受过训练的细胞学家检查染色的血涂片中的细胞，并将其分为大约15个不同的类别。这种分类过程容易导致样品质量变化，并且需要专家的存在和专业知识。

为了更有效地评估单个血细胞，亥姆霍兹慕尼黑研究中心和慕尼黑大学研究团队为此开发了神经元深度学习网络。使用将近20000张单独的图像对其进行了训练，以能够对细胞进行独立分类。由卡斯滕·马尔博士领导的团队使用了100例侵袭性血液病AML患者和100例对照的血液涂片中提取的图像，然后通过将其与人类专家的准确性进行比较，来评估这种新的自动化解决方案。

用于图像处理的深度学习算法需要两个基本条件，即具有数千个参数的合适的神经网络体系结构以及足够的训练数据。到目前为止，还没有大量的数字化血细胞记录，尽管这些样品每天都在诊所使用。亥姆霍兹慕尼黑研究中心的研究小组现在已经提供了此类的第一个大型数据集。目前，马尔团队与慕尼黑大学医学和综合诊所III，以及慕尼黑白血病实验室紧密合作，用数字化完成了数百例患者血液涂片。

马尔表示，“将我们的方法付诸实践，将患者的血液涂片数字化需要成为常规。需要对来自不同来源的样品进行算法训练，以了解样品制备和染色过程中固有的异质性。” “在我们的出版物中，我们能够证明深度学习算法的性能与细胞学家一样好。下一步我们将研究使用这种新的AI驱动方法如何预测其他疾病，例如基因突变或易位。”

这项工作是在应用研究中使用人工智能潜力的一个例子。它源自亥姆霍兹慕尼黑研究中心对血干细胞中单个细胞分类的研究工作的延续，该研究在2018年获得了亥姆霍兹协会的艾文·施罗丁格奖。这项研究还得到了德国科学基金会，以及德国何塞·卡雷拉斯白血病基金会的博士奖学金的支持。

关键词： 深度学习