Automated Detection of Sickled Erythrocytes in Peripheral Blood Smear Images Using YOLO-Based Object Detection
Diese Arbeit präsentiert ein klinisch fundiertes, auf YOLO basierendes Framework zur automatisierten Detektion von sichelförmigen Erythrozyten in peripheren Blutausstrichen, das durch optimierte Bildgebungs- und Annotationsstrategien eine hohe Genauigkeit (mAP50-95 = 0,857) erreicht, um eine skalierbare Krankheitsüberwachung zu ermöglichen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
In der mikroskopischen Welt des menschlichen Blutes sind rote Blutkörperchen normalerweise weiche, runde Scheiben, die reibungslos durch die winzigen Gefäße des Körpers fließen. Doch bei Menschen mit Sichelzellanämie, einer genetischen Erkrankung, die das Hämoglobin betrifft, können diese Zellen jedoch starr und verformt werden. Wenn der Sauerstoffgehalt sinkt, verformen sich die Zellen zu langen, sichelförmigen Gebilden, die der gebogenen Klinge eines landwirtschaftlichen Werkzeugs ähneln. Diese sichelförmigen Zellen sind gefährlich; sie sind steif genug, um enge Blutgefäße zu verstopfen, und gleichzeitig zerbrechlich genug, um leicht zu zerbrechen, was Schmerzen und Organschäden verursacht. Um die Schwere des Zustands eines Patienten zu verstehen, schauen Ärzte traditionell bei einem Blick durch ein Mikroskop auf einen Tropfen Blut und zählen sowie kategorisieren diese Zellen mit bloßem Auge. Dieser manuelle Prozess ist jedoch langsam, ermüdend und anfällig für Unterschiede in der Beurteilung zwischen Ärzten, insbesondere wenn die Zellen dicht gedrängt liegen oder sich leicht voneinander unterscheiden.
Ein Team von Forschern der Texas Tech University hat einen neuen Weg entwickelt, um diese schwierige Aufgabe mithilfe einer Art künstlicher Intelligenz zu automatisieren, die darauf spezialisiert ist, Objekte in Bildern zu finden und zu identifizieren. Anstatt zu versuchen, den allgemeinen Zustand einer Blutprobe durch einen einzigen Blick zu erahnen, lernt ihr System, einzelne Zellen zu erkennen und zwischen gesunden, runden roten Blutkörperchen und den gefährlichen, sichelförmigen Zellen zu unterscheiden. Indem sie den Computer darauf trainierten, die spezifische Geometrie dieser Zellen zu erkennen, schufen die Forscher ein Werkzeug, das in der Lage ist, ein Blutausstrichbild zu scannen und die sichelförmigen Zellen mit hoher Genauigkeit zu zählen. Dieser Ansatz bietet einen potenziellen Weg zu einer schnelleren, konsistenteren Diagnose und Überwachung einer Krankheit, die Millionen von Menschen weltweit betrifft, insbesondere in Regionen, in denen der Zugang zu medizinischen Fachkräften begrenzt ist.
Die Forscher begannen mit der Sammlung von Blutproben von Patienten mit bestätigter Sichelzellanämie, darunter solche in einem stabilen Zustand und andere, die eine schmerzhafte Krise erleben, die als vasookklusive Episode bekannt ist. Um die Aufgabe des Zählens für den Computer zu erleichtern, verdünnten sie die Blutproben sorgfältig, bevor sie auf Glasobjektträger aufgebracht wurden. Dieser Schritt verteilte die Zellen, wodurch die Anzahl der Überschneidungen oder Verklumpungen reduziert wurde, was sowohl das menschliche Auge als auch Computeralgorithmen verwirren kann. Anschließend verwendeten sie ein Hochleistungsmikroskop, um klare, detaillierte Fotografien dieser Objektträger zu machen. Da die Bilder extrem groß und detailreich waren, unterteilte das Team sie in kleinere, überlappende Abschnitte. Diese Technik ermöglichte es dem Computer, feine Details jeder Zelle zu untersuchen, ohne den Kontext des Gesamtbildes zu verlieren, wodurch sichergestellt wurde, dass selbst die kleinsten Merkmale einer sichelförmigen Zelle sichtbar blieben.
Um dem Computer beizubringen, worauf er achten muss, markierten die Forscher manuell tausende Zellen in diesen Bildern, indem sie eine Box um jede einzelne zeichneten und sie entweder als normale rote Blutzelle oder als sichelförmige Zelle kennzeichneten. Sie waren sorgfältig darin, Zellen auszuschließen, die am Rand des Bildes abgeschnitten oder zu unscharf zur Identifizierung waren, um sicherzustellen, dass der Computer nur von perfekten Beispielen lernte. Sob-ald der Computer über diese Bibliothek markierter Bilder verfügte, testeten sie mehrere verschiedene Versionen eines Detektionssystems namens YOLO, was für „You Only Look Once“ steht. Dieses System ist darauf ausgelegt, ein gesamtes Bild in einem einzigen Durchgang zu scannen und gleichzeitig vorherzusagen, wo sich Objekte befinden und was diese sind. Das Team trainierte mehrere Versionen dieses Systems, die von kleineren, schnelleren Modellen bis hin zu größeren, komplexeren Modellen reichten, um zu sehen, welches am besten bei der Suche nach den sichelförmigen Zellen abschnitt.
Die Ergebnisse zeigten, dass die fortschrittlichste Version des Systems, bekannt als YOLO11, am effektivsten war. Es identifizierte und lokalisierte sichelförmige Zellen mit einem hohen Maß an Präzision, fand die überwiegende Mehrheit von ihnen korrekt und verwechselte dabei selten eine normale Zelle mit einer sichelförmigen. Tatsächlich war das System so gut, dass es die beiden Typen der Zellen nur sehr wenig verwechselte; die meisten seiner Fehler traten nicht dadurch auf, dass es die Zelltypen vertauschte, sondern weil es Zellen übersah, die teilweise verdeckt waren oder weil es Zellen entdeckte, die die menschlichen Experten aufgrund ihrer zweifelhaften Form bewusst unmarkiert gelassen hatten. Dieser Befund unterstreicht einen entscheidenden Punkt: Die Qualität der Daten und die Sorgfalt bei der Vorbereitung der Bilder waren ebenso wichtig wie das Computerprogramm selbst. Die Forscher fanden heraus, dass es nicht immer besser war, das Computermodell einfach nur größer zu machen; in einigen Fällen führte die zusätzliche Komplexität dazu, dass das Modell die Trainingsbilder auswendig lernte, anstatt die allgemeinen Regeln der Zellformen zu erlernen.
Die Studie zeigt, dass es möglich ist, ein zuverlässiges, automatisiertes System zur Erkennung von sichelförmigen Zellen aufzubauen, das selbst in dichten und komplexen Bildern gut funktioniert. Das Team betont, dass ihr Erfolg maßgeblich auf einem standardisierten Prozess beruhte, von der Art der Blutpräparation bis hin zur Kennzeichnung der Bilder. Während das System bei den spezifischen, für das Training verwendeten Bildern außergewöhnlich gut abschnitt, merken die Forscher an, dass reale medizinische Umgebungen hinsichtlich Beleuchtung und Ausrüstung stark variieren können. Daher schlagen sie vor, dass diese Methode eine starke Grundlage ist, die weitere Tests an größeren und vielfältigeren Patientengruppen benötigt, bevor sie in Kliniken breit eingesetzt werden kann. Indem sie eine klare, reproduzierbare Methode zur Analyse von Blutausstrichen bereitstellen, bietet diese Arbeit einen vielversprechenden Schritt, um die Überwachung der Sichelzellkrankheit objektiver und zugänglicher zu machen, was potenziell Ärzten helfen kann, den Verlauf der Krankheit und die Wirksamkeit von Behandlungen mit größerer Konsistenz zu verfolgen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.