Automated Detection of Sickled Erythrocytes in Peripheral Blood Smear Images Using YOLO-Based Object Detection
Dit artikel presenteert een klinisch gefundeerd, op YOLO gebaseerd framework voor de geautomatiseerde detectie van sikkelcelerytrocyten in perifere bloeduitstrijkjes, waarbij een hoge nauwkeurigheid (mAP50-95 = 0,857) wordt bereikt door geoptimaliseerde beeldvormings- en annotatiestrategieën om schaalbare ziektebewaking mogelijk te maken.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van een preprint die niet peer-reviewed is. Dit is geen medisch advies. Neem geen gezondheidsbeslissingen op basis van deze inhoud. Lees de volledige disclaimer
In de microscopische wereld van menselijk bloed zijn rode bloedcellen gewoonlijk zachte, ronde schijfjes die soepel door de kleine vaten van het lichaam stromen. Maar voor mensen met sikkelcelziekte, een genetische aandoening die het hemoglobine beïnvloedt, kunnen deze cellen echter stijf en misvormd raken. Wanneer het zuurstofgehalte daalt, draaien de cellen zich in lange, sikkelvormige vormen die lijken op het gebogen blad van een landbouwwerktuig. Deze sikkelcellen zijn gevaarlijk; ze zijn stijf genoeg om nauwe bloedvaten te verstoppen en broos genoeg om gemakkelijk uit elkaar te vallen, wat pijn en orgaanschade veroorzaakt. Om te begrijpen hoe ernstig de toestand van een patiënt is, kijken artsen traditioneel naar een druppel bloed onder een microscoop, waarbij ze deze cellen met het blote oog tellen en categoriseren. Dit handmatige proces is echter traag, vermoeiend en gevoelig voor verschillen in oordeel tussen artsen, vooral wanneer cellen dicht op elkaar gepakt zitten of er licht van elkaar verschillen.
Een team van onderzoekers aan de Texas Tech University heeft een nieuwe manier ontwikkeld om deze moeilijke taak te automatiseren met behulp van een type kunstmatige intelligentie die ontworend is om objecten in afbeeldingen te vinden en te identificeren. In plaats van te proberen de algehele conditie van een bloedmonster in één oogopslag te raden, leert hun systeem individuele cellen te herkennen, waarbij het onderscheid maakt tussen gezonde, ronde rode bloedcellen en de gevaarlijke, sikkelvormige cellen. Door een computer te trainen om de specifieke geometrie van deze cellen te herkennen, creëerden de onderzoekers een hulpmiddel dat een bloeduitstrijkje kan scannen en de sikkelcellen met een hoge nauwkeurigheid kan tellen. Deze aanpak biedt een potentieel pad naar snellere, consistentere diagnose en monitoring voor een ziekte die miljoenen mensen wereldwijd treft, met name in regio's waar de toegang tot gespecialiseerde medische experts beperkt is.
De onderzoekers begonnen met het verzamelen van bloedmonsters van patiënten met een bevestigde sikkelcelziekte, inclus\nsluitend zowel zij in een stabiele conditie als zij die een pijnlijke crisis ervaren, bekend als een vaso-occlusief event. Om de taak van het tellen voor de computer gemakkelijker te maken, hebben ze de bloedmonsters zorgvuldig verdund voordat ze op glazen objectdragers werden geplaatst. Deze stap verspreidde de cellen, waardoor het aantal keren dat ze overlapten of samenklonterden, wat zowel het menselijk oog als computeralgoritmen in verwarring kan brengen, werd verminderd. Vervolgens gebruikten ze een krachtige microscoop om heldere, gedetailleerde foto's van deze objectdragers te maken. Omdat de afbeeldingen extreem groot en gedetailleerd waren, heeft het team ze opgedeeld in kleinere, overlappende secties. Deze techniek stelde de computer in staat om de fijne details van elke cel te bestuderen zonder de context van de hele afbeelding te verliezen, waardoor zelfs de kleinste kenmerken van een sikkelcel zichtbaar bleven.
Om de computer te leren waar hij naar moet kijken, hebben de onderzoekers handmatig duizenden cellen in deze afbeeldingen gemarkeerd, door een kader rond elke cel te tekenen en deze te labelen als ofwel een normale rode bloedcel of een sikkelcel. Ze waren voorzichtig om cellen die aan de rand van de afbeelding waren afgesneden of te wazig waren om duidelijk te identificeren, uit te sluiten, zodat de computer alleen van perfecte voorbeelden leerde. Zodra de computer over deze bibliotheek van gelabelde afbeeldingen beschikte, testten ze verschillende versies van een detectiesysteem genaamd YOLO, wat staat voor "You Only Look Once". Dit systeem is ontworpen om een volledige afbeelding in één enkele passage te scannen, waarbij het tegelijkertijd voorspelt waar objecten zijn en wat het zijn. Het team trainde meerdere versies van dit systeem, variërend van kleinere, snellere modellen tot grotere, complexere modellen, om te zien welke het beste presteerde bij het vinden van de sikkelcellen.
De resultaten toonden aan dat de meest geavanceerde versie van het systeem, bekend als YOLO11, het meest effectief was. Het identificeerde en lokaliseerde sikkelcellen met een hoge mate van precisie, waarbij het de overgrote meerderheid van de cellen correct vond terwijl het zelden een normale cel voor een sikkelcel aanzag. Sterker nog, het systeem was zo goed dat het de twee typen cellen nauwelijks door elkaar haalde; de meeste fouten traden niet op omdat het de celtypen verwisselde, maar omdat het cellen miste die gedeeltelijk verborgen waren of omdat het cellen zag die de menselijke experts met opzet niet hadden gelabeld vanwege hun ambigue vorm. Deze bevinding benadrukt een cruciaal punt: de kwaliteit van de gegevens en de zorg genomen bij het voorbereiden van de afbeeldingen waren even belangrijk als het computerprogramma zelf. De onderzoekers ontdekten dat het simpelweg groter maken van het computermodel niet altijd beter maakte; in sommige gevallen leidde de extra complexiteit ertoe dat het model de trainingsafbeeldingen uit het hoofd leerde in plaats van de algemene regels van celvormen te leren.
De studie demonstreert dat het mogelijk is om een betrouwbaar, geautomatiseerd systeem te bouwen voor het detecteren van sikkelcellen dat goed werkt, zelfs in drukke en complexe afbeeldingen. Het team benadrukt dat hun succes sterk steunde op een gestandaardiseerd proces, van de wijze waarop het bloed werd voorbereid tot hoe de afbeeldingen werden gelabeld. Hoewel het systeem uitzonderlijk goed presteerde op de specifieke afbeeldingen waarop het was getraind, merken de onderzoekers op dat de werkelijke medische omgevingen sterk kunnen variëren in lichtinval en apparatuur. Daarom suggereren zij dat deze methode een sterke basis is die verdere tests op grotere en diversere groepen patiënten vereist voordat het breed in klinieken kan worden gebruikt. Door een duidelijke, reproduceerbare methode te bieden voor het analyseren van bloeduitstrijkjes, biedt dit werk een veelbelovende stap naar het minder subjectief en toegankelijker maken van de monitoring van de sikkelcelziekte, wat artsen potentieel helpt om de voortgang van de ziekte en de effectiviteit van behandelingen met grotere consistentie te volgen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.