Машины конкурируют с экспертным анализом качества хранимых эритроцитов
Рисунок A: Автоматизация на основе глубокого обучения под контролем экспертов традиционного метода оценки качества эритроцитов. Рисунок B.Слабый контролируемый метод глубокого обучения, при котором нейронные сети обучаются без экспертов. Предоставлено: Минь Доан, Джозеф Себастьян, Трейси Тернер, Джейсон Акер, Майкл Колиос, Энн Карпентер.

Ежегодно около 120 миллионов единиц донорской крови перетекают из донорских вен в пакеты для хранения в центрах сбора крови по всему миру. Жидкость упаковывается, обрабатывается и зарезервирована для дальнейшего использования. Но, оказавшись вне тела, накопленные эритроциты (эритроциты) постоянно портятся. К 42-му дню в большинстве стран продукты больше не используются.

В течение многих лет лаборатории использовали экспертные микроскопические исследования для оценки качества хранимой крови. Насколько жизнеспособна единица к 24 дню? Как насчет 37-го дня? В зависимости от того, что воспринимают глаза техников, ответы могут отличаться. Этот ручной процесс трудоемкий, сложный и субъективный.

Теперь, после трех лет исследований, исследование, опубликованное в Proceedings of the National Academy of Sciences, раскрывает две новые стратегии автоматизации процесса и достижения объективной оценки качества RBC — с результатами, которые совпадают и даже превзойти экспертную оценку.

Эти методики демонстрируют потенциал в сочетании искусственного интеллекта с современной визуализацией для решения давней биомедицинской проблемы. В случае стандартизации он может обеспечить более последовательные и точные оценки с повышенной эффективностью и лучшими результатами для пациентов.

Обученные машины соответствуют оценке экспертов

Междисциплинарное сотрудничество охватило пять стран, двенадцать институтов и девятнадцать авторов, включая университеты, исследовательские институты и центры сбора крови в Канаде, США, Швейцарии, Германии и Великобритании. Исследованием руководили вычислительный биолог Энн Карпентер из Института Броуда Гарварда и Массачусетского технологического института, физик Майкл Колиос из физического факультета Университета Райерсона и Джейсон Аккер из Канадской службы крови.

Сначала они исследовали, можно ли научить нейронную сеть «видеть» в изображениях эритроцитов те же шесть категорий деградации клеток, что и специалисты-люди. Для получения необходимого огромного количества изображений решающую роль сыграла проточная цитометрия. Джозеф Себастьян, соавтор и студент Райерсона, тогда работавший под руководством Колиоса, объясняет.

«С помощью этого метода эритроциты приостанавливаются и пропускаются через цитометр — прибор, который делает тысячи изображений отдельных клеток крови в секунду. Затем мы можем исследовать каждый эритроцит, не трогая их и не повреждая их случайно, что иногда происходит во время микроскопических исследований. . «

Исследователи использовали 40 900 изображений клеток, чтобы обучить нейронные сети классифицировать эритроциты по шести категориям — в коллекции, которая сейчас является крупнейшей в мире свободно доступной базой данных эритроцитов, индивидуально аннотированных с различными категориями порчи.

При тестировании алгоритм машинного обучения достиг 77% согласия с экспертами-людьми. Хотя показатель ошибок в 23% может показаться высоким, полностью соответствовать мнению экспертов в этом тесте невозможно: даже эксперты-люди соглашаются только в 83% случаев. Таким образом, эта полностью контролируемая модель машинного обучения может быть эффективной для замены утомительного визуального осмотра людьми с небольшой потерей точности.

Тем не менее, команда задалась вопросом: может ли другая стратегия еще больше расширить верхние пределы точности?

Машины превосходят человеческое зрение, обнаруживают клеточные тонкости

Во второй части исследования исследователи полностью отказались от участия человека и разработали альтернативную модель глубокого обучения со «слабым контролем», в которой нейронные сети узнавали о деградации эритроцитов самостоятельно.

Вместо того, чтобы обучаться шести визуальным категориям, используемым экспертами, машины обучались исключительно путем анализа более миллиона изображений эритроцитов, не классифицированных и упорядоченных только по продолжительности хранения крови. В конце концов, машины правильно распознали особенности отдельных эритроцитов, соответствующие переходу от здоровых клеток к нездоровым.

«Позволить компьютеру научиться прогрессировать накопленные эритроциты по мере их разложения — это действительно захватывающее событие, — говорит Карпентер, — особенно потому, что он может фиксировать более тонкие изменения в клетках, которые люди не распознают» <./p>

При сравнении с другими соответствующими тестами, такими как биохимический анализ, слабо контролируемые обученные машины предсказывали качество эритроцитов лучше, чем текущий метод оценки из шести категорий, используемый экспертами.

Стратегии глубокого обучения: качество крови и не только

До того, как модель будет готова к клиническим испытаниям, все еще необходимо дополнительное обучение, но перспективы многообещающие. Полностью контролируемая модель машинного обучения вскоре сможет автоматизировать и упростить текущий ручной метод, сводя к минимуму обработку образцов, расхождения и процедурные ошибки при оценке качества крови.

Вторая, альтернативная, слабо контролируемая структура может еще больше исключить человеческую субъективность из процесса. Объективные и точные прогнозы качества крови позволят врачам лучше персонализировать продукты крови для пациентов. Помимо хранимой крови, стратегия глубокого обучения, основанная на времени, может быть перенесена в другие приложения, связанные с хронологической прогрессией, например, с распространением рака.




Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *