Klassificering av Sickle Cell Anemia RBC på ett automatiserat sätt med hög noggrannhet baserad på Deep Convolutional Neural Network -metod för 8 SCD -patienter (över 7, 000 enkla RBC -bilder) för både syresatta och deoxygenerade RBC. Kredit:Xu et al.
Med hjälp av en beräkningsmetod som kallas djupinlärning, forskare har utvecklat ett nytt system för att klassificera de röda blodkropparnas former i patientens blod. Resultaten, publicerad i PLOS beräkningsbiologi , kan potentiellt hjälpa läkare att övervaka personer med sicklecellsjukdom.
En person med sicklecellsjukdom producerar onormalt formade, stela röda blodkroppar som kan bygga upp och blockera blodkärl, orsakar smärta och ibland död. Sjukdomen är uppkallad efter segelformade (halvmåneliknande) röda blodkroppar, men det resulterar också i många andra former, såsom ovala eller långsträckta röda blodkroppar. De speciella former som finns hos en given patient kan hålla ledtrådar till svårighetsgraden av deras sjukdom, men det är svårt att manuellt klassificera dessa former.
För att automatisera processen för att identifiera röda blodkroppsform, Mengjia Xu från Northeastern University, Kina, och kollegor utvecklade ett beräkningsramverk som använder ett maskininlärningsverktyg som kallas ett djupt konvolutionellt neuralt nätverk (CNN).
Det nya ramverket använder tre steg för att klassificera de röda blodkropparnas former i mikroskopiska bilder av blod. Först, det skiljer röda blodkroppar från bakgrunden på varje bild och från varandra. Sedan, för varje detekterad cell, den zoomar in eller ut tills alla cellbilder har en enhetlig storlek. Till sist, den använder djupa CNN för att kategorisera cellerna efter form.
Forskarna validerade sitt nya verktyg med 7, 000 mikroskopibilder från åtta patienter med sicklecellsjukdom. De fann att den automatiska metoden framgångsrikt klassificerade röda blodkroppsform för både syresatta och deoxygenerade celler (röda blodkroppar transporterar syre till vävnader i hela kroppen).
"Vi har utvecklat det första verktyg för djupinlärning som automatiskt kan identifiera och klassificera förändringar av röda blodkroppar, därmed tillhandahålla direkta kvantitativa bevis på sjukdomens svårighetsgrad, "säger studieförfattaren George Karniadakis.
Forskargruppen planerar att ytterligare förbättra sitt djupa CNN -verktyg och testa det vid andra blodsjukdomar som förändrar form och storlek på röda blodkroppar, som diabetes och hiv. De planerar också att utforska dess användbarhet vid karakterisering av cancerceller.
