来自慕尼黑的Helmholtz ZentrumMünchen和慕尼黑大学LMU的大学医院的研究人员首次显示，在对急性髓性白血病(AML)患者的血液样本进行分类时，深度学习算法的性能与人类专家相似。他们的概念验证研究为不久的将来进行自动化，标准化和现场样本分析铺平了道路。该论文发表在《自然机器智能》上。

　　AI的深度学习算法以自动化和标准化的方式分析样本。左：人类专家的分类。右：对于AI分析很重要的像素。

　　每天，在医学实验室和诊所都要对数百万个单细胞进行疾病诊断诊断。大部分重复性任务仍由受过训练的细胞学家手动完成，他们检查染色涂片中的细胞并将其分为大约15个不同类别。该过程存在分类可变性，并且需要训练有素的细胞学家的存在和专业知识。

　　为了提高评估效率，Helmholtz ZentrumMünchen和慕尼黑LMU大学医院的一组研究人员训练了一个具有约20.000个单细胞图像的深层神经元网络，以对其进行分类。团队由来自Helmholtz ZentrumMünchen的计算生物学研究所的Carsten Marr博士和医学博士生Christian Matek博士以及来自LMU慕尼黑大学医院第三系的med Karsten Spiekermann和Simone Schwarz教授，这些图像是从100例患有侵袭性血液病AML的患者和100例对照的血液涂片中提取的。然后通过比较其性能与人类专家的准确性来评估新的AI驱动方法。

　　用于图像处理的深度学习算法需要两件事：首先，具有数十万个参数的适当的卷积神经网络架构;第二，足够大量的训练数据。到目前为止，尽管临床上普遍使用了这些样本，但尚无大型数字化血液涂片数据集。Helmholtz ZentrumMünchen的研究小组现在提供了该类型的第一个大型数据集。目前，Marr和他的团队正在与LMU慕尼黑大学医院的第三医学系以及最大的欧洲白血病实验室之一慕尼黑白血病实验室(MLL)紧密合作，以数字化数百种患者血液涂片。

　　为了将我们的方法带到诊所，患者血液样本的数字化已成为常规。必须使用来自不同来源的样本来训练算法，以应对样本制备和染色中固有的异质性。与我们的合作伙伴一起，我们可以证明深度学习算法显示出与人类细胞学家相似的性能。下一步，我们将评估使用这种新的AI驱动方法可以预测出其他疾病的特征，例如基因突变或易位。”

　　该方法展示了AI在翻译研究中的应用能力。这是Helmholtz ZentrumMünchen在血干细胞单细胞分类方面的开创性工作的扩展(Buggenthin等人，Nature Methods，2017)，该研究已于2018年获得了Helmholtz协会的Erwin Schroedinger奖。由德国研究基金会(DFG)的SFB 1243以及德国何塞·卡雷拉斯白血病基金会向克里斯蒂安·梅特克博士提供的博士学位奖学金提供支持。