生物科学门户网站
BIO1000.COM

新的AI策略可自动评估储存的血液并消除人类主观性

每年,有近1.2亿单位*的无偿血液从供体静脉流入全球收集中心的储存袋中。包装,处理和保留液体以备后用。但是一旦进入体外,储存的红细胞(RBC)就会持续恶化。在大多数国家,到第42天,该产品将不再可用。

多年来,实验室使用专家显微镜检查来评估所储存血液的质量。在第24天,一个单位的生存能力如何?第37天怎么样?根据技术人员的眼光,答案可能会有所不同。该手动过程费力,复杂且主观。

现在,经过三年的研究,发表在《美国国家科学院院刊》上的一项研究揭示了两种新的策略,可以使流程自动化并实现客观的RBC质量评分-结果达到甚至超过专家评估。

这些方法论展示了将人工智能与最新的影像技术相结合以解决长期存在的生物医学问题的潜力。如果标准化,则可以确保更一致,更准确的评估,从而提高效率并改善患者预后。

训练有素的机器符合专家的人工评估

跨学科合作横跨五个国家,十二个机构和十九位作者,包括加拿大,美国,瑞士,德国和英国的大学,研究机构和采血中心。这项研究由哈佛大学和麻省理工学院的计算生物学家Anne Carpenter,瑞尔森大学物理系的物理学家Michael Kolios和加拿大血液服务的Jason Acker领导。

他们首先研究了是否可以教神经网络在RBC图像中“看见”与人类专家一样的六类细胞降解。为了生成所需的大量图像,流式细胞术成像起着至关重要的作用。约瑟夫·塞巴斯蒂安(Joseph Sebastian)是合著者,也是瑞尔森(Ryerson)本科生,然后在Kolios任职。

“通过这种技术,RBC悬浮并流过细胞仪,该仪每秒可获取数千张单个血细胞的图像。然后,我们可以检查每个RBC,而不会对其进行处理或无意中损坏它们,这有时在显微镜检查期间发生。”

研究人员使用40,900个细胞图像训练神经网络,以将RBC分为六类-现已成为世界上最大,免费的RBC数据库,该数据库单独标注了各种劣化类别。

经过测试,机器学习算法与人类专家达成了77%的共识。尽管23%的错误率听起来可能很高,但在此测试中无法完全匹配专家的判断是不可能的:即使人类专家也只有83%的时间同意。因此,这种完全监督的机器学习模型可以有效地代替人工,而几乎不会降低准确性。

即使如此,团队仍想知道:是否可以采用其他策略进一步提高准确性的上限?

郑重声明:本文版权归原作者所有,转载文章仅为传播更多信息之目的,如作者信息标记有误,请第一时间联系我们修改或删除,多谢。