Automated Bone Marrow Cellularity Estimation from Whole-Slide Images Using Deep Learning: Validation in an Indian Clinical Cohort
本研究介绍了 AiSAP，这是一个通过双 Mask R-CNN 架构实现利用全切片图像自动估算骨髓细胞比例达到专家级准确度的深度学习框架，并在一个代表性不足的印度临床队列上进行了验证。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下这样一个世界：医生必须通过显微镜观察极小的组织切片，才能弄清楚病人为什么生病。这就像是在一个巨大的、杂乱无章的沙堆里，试图寻找几个特定的、微小的玩具。当医生检查病人的骨髓（即我们骨骼内部产生血细胞的海绵状组织）时，情况正是如此。为了诊断白血病或贫血等严重疾病，他们需要了解“细胞密度”：即空间中有多少是由造血细胞填充的，又有多少是由脂肪细胞填充的。目前，人类专家必须眯起眼睛盯着玻璃载玻片，进行细胞计数并进行估算。这既缓慢又令人疲劳，而且两位不同的专家在观察同一张载玻片时，可能会给出略有不同的答案。这正是人工智能（AI）发挥作用的地方。把 AI 想象成一个超级快速、不知疲倦的机器人助手，它可以查看整个数字化切片的图像，并为我们完成计数工作。但为了让这个机器人正常工作，它需要被教会如何区分血细胞和脂肪细胞，并且需要在真实的人身上进行测试，以确保它不会产生混淆。
本文介绍了一种名为 AiSAP（人工智能切片分析平台）的新型机器人助手。开发团队希望构建一个系统，该系统能够观察一张原始的、巨大的骨髓活检数字化照片，并自动告知他们细胞的“拥挤”程度究竟是多少。AiSAP 不仅仅是观察图像中一个预先选定的微小正方形区域，而是观察整个载玻片，找到正确的部位，并进行数学计算。他们使用来自印度 170 名真实患者的数据来训练这个 AI，而这一群体在以往的计算机程序中很少被使用。结果令人鼓舞：AI 的估算值几乎与人类专家一样准确。事实上，当他们将 AI 的数值与两位人类医生的平均值进行比较时，结果的相关性达到了 0.95（非常接近完美的 1.0）。AI 确实倾向于猜测的细胞计数比人类高出一点——大约高出 7% 到 8%，但由于这种模式非常一致，作者认为这可能意味着 AI 捕捉到了人类在快速扫视时可能会忽略的微小细胞。
AiSAP 的秘诀在于它分为两步运行，就像一个由两名专业侦探组成的团队。首先，模型 1（Model-1） 扫描整个载玻片，并在“有趣”的部分周围画出一个框，将真正的骨髓组织与骨骼本身、血块或在制片过程中产生的任何杂质区分开来。这就像是一个侦探在说：“好吧，忽略那些石头和泥土；让我们专注于人们居住的社区。”然后，模型 2（Model-2） 放大那个“社区”，并专门搜寻“脂肪”细胞（脂肪细胞），它们看起来像透明、空心的气泡。一旦 AI 知道多少空间被脂肪占据，以及多少空间被其余组织占据，它就会使用一个简单的公式来计算细胞密度百分比。
研究人员测试了五种不同的“大脑”（称为骨干网络/backbones），以观察哪一个效果最好。他们发现，虽然有些“大脑”更擅长识别单个物体，但另一些则更擅长得出最终的百分比。表现最好的一个，使用的是一种被称为 X101_FPN 的特定架构，它达到了被称为 Lin's 一致性相关系数（Lin's Concordance Correlation Coefficient）的 0.882 的得分，这意味着它与人类专家的整体一致性非常强。另一个“大脑” R50_C4 在匹配病例的精确排名方面表现最好，相关性为 0.948。
然而，作者谨慎地指出，这并不是一个“已解决”的问题。他们指出，AI 仍需更多测试。它仅在印度一家特定医院的切片上进行了训练和测试。如果不同医院的切片染色或切割方式发生变化，AI 可能会产生混淆。他们也承认，AI 有时会将压碎的骨头或致密的瘢痕组织误认为是活细胞，这就是为什么它往往会稍微高估细胞计数。尽管存在这些小瑕疵，但这项研究表明，这种两步走的 AI 方法是一个巨大的进步。它表明我们可以构建出帮助病理学家工作得更快、更一致的工具，从而减少诊断结果取决于当天是谁在观察载玻片的可能性。作者总结道，虽然 AiSAP 目前还不具备取代医生的条件，但它是一个强大的新工具，值得在世界各地更多的医院进行测试。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。