(文章来源：天津市科技局网站)

　　研究人员每天要在医学实验室和诊所评估数百万个血细胞以诊断疾病，将其分为大约15个不同的类别。这些重复性工作大多数依靠人工完成，容易导致样品质量变化，并且要依靠专家和专业知识。

　　为了更有效地评估单个血细胞，研究团队开发了神经元深度学习网络，用了将近20000张单独的图像对其进行训练，使其能够对细胞进行独立分类。由卡斯滕·马尔博士领导的团队使用了从100例侵袭性血液病AML患者和100例对照的血液涂片中提取的图像，然后通过将其与人类专家的准确性进行比较，来评估这种新的自动化解决方案。

　　用于图像处理的深度学习算法需要两个基本条件：具有数千个参数的合适的神经网络体系结构和足够的训练数据。到目前为止，还没有大量的数字化血细胞记录，尽管这些样品每天都在诊所使用。亥姆霍兹慕尼黑研究中心的研究小组提供了此类的第一个大型数据集。目前，马尔团队与慕尼黑大学医学和综合诊所III，以及慕尼黑白血病实验室紧密合作，用数字化完成了数百例患者血液涂片。

　　“将我们的方法付诸实践，将患者的血液涂片数字化需要成为常规，还要对不同来源的样品进行算法训练，以了解样品制备和染色过程中固有的异质性。”马尔说，“我们能够证明深度学习算法的性能与细胞学家一样好。下一步我们将研究使用这种新的AI驱动方法如何预测其他疾病，例如基因突变或易位。”

　　研究人员每天要在医学实验室和诊所评估数百万个血细胞以诊断疾病，将其分为大约15个不同的类别。这些重复性工作大多数依靠人工完成，容易导致样品质量变化，并且要依靠专家和专业知识。

　　为了更有效地评估单个血细胞，研究团队开发了神经元深度学习网络，用了将近20000张单独的图像对其进行训练，使其能够对细胞进行独立分类。由卡斯滕·马尔博士领导的团队使用了从100例侵袭性血液病AML患者和100例对照的血液涂片中提取的图像，然后通过将其与人类专家的准确性进行比较，来评估这种新的自动化解决方案。

　　用于图像处理的深度学习算法需要两个基本条件：具有数千个参数的合适的神经网络体系结构和足够的训练数据。到目前为止，还没有大量的数字化血细胞记录，尽管这些样品每天都在诊所使用。亥姆霍兹慕尼黑研究中心的研究小组提供了此类的第一个大型数据集。目前，马尔团队与慕尼黑大学医学和综合诊所III，以及慕尼黑白血病实验室紧密合作，用数字化完成了数百例患者血液涂片。

　　“将我们的方法付诸实践，将患者的血液涂片数字化需要成为常规，还要对不同来源的样品进行算法训练，以了解样品制备和染色过程中固有的异质性。”马尔说，“我们能够证明深度学习算法的性能与细胞学家一样好。下一步我们将研究使用这种新的AI驱动方法如何预测其他疾病，例如基因突变或易位。”