生命科学中的人工智能2（2022）100043研究文章HematoNet：通过深度学习对恶性血液病的骨髓细胞学形态进行EXSatvik Tripathia，Saha，Alisha Isabelle Augustinb，Rithvik Sudaranc，Suhani Dheerd，Edward Kimea美国费城德雷克塞尔大学文理学院计算与信息学院b美国费城德雷克塞尔大学工程学院c美国费城德雷克塞尔大学计算与信息学院d美国费城德雷克塞尔大学文理学院计算与信息学院，德雷克塞尔大学，费城，PA 19104，美国aRT i cL e i nf o关键词：深度学习骨髓细胞学a b sTR a cT骨髓细胞的细胞形态学分类自动化的研究很少。对于骨髓细胞分类，深度学习算法仅限于少量样本或疾病分类。在本文中，我们提出了一个管道来分类的骨髓细胞，尽管这些限制。在整个数据中使用数据增强来解决任何类别的不平衡。然后，进行随机变换，例如在0° C到90° C之间旋转、放大/缩小、水平和/或垂直管道中使用的模 型是CoAtNet， 并将其 与两个 基线模 型进行 比较， 即EuccientNetV2和ResNext50。 然后， 我们使 用SmoothGrad和Grad-CAM分析了CoAtNet模型，这两种最近开发的算法已被证明符合可解释性方法的基本要求在评估了所有三个模型对每个不同形态学类别的性能后1. 介绍骨髓（BM）细胞的基于人的检查和表征是癌性和非癌性血液学病症中最重要但时间昂贵的程序之一[1细胞形态学检查仍然是许多髓内和髓外疾病诊断的关键初始步骤，尽管现在可以使用许多先进的程序，如细胞遗传学、免疫表型和分子遗传学[5，6]。创建于19世纪的BM细胞学的功能仍然非常重要，因为它相对快速的结果和广泛的可用性[7，8]。显微镜检查和单细胞形态分类仍然是人类临床医生的主要责任，因为自动化这一过程很困难。在某些情况下，例如涉及不明确BM涂片的情况下，手动评价标本的过程可能是费力且耗时的[9，10]。已经观察到，检查者分类容易发生显著的内部和内部变异，这意味着高质量细胞学检查的数量，由于学科专家很难找到，因此考试受到限制[11将该程序与提供更多定量数据的其他诊断方法整合也具有挑战性，因为单个细胞形态的分析本质上是定性的很少有人尝试将BM细胞的细胞形态学分类自动化。从数字图片中提取的手工制作的单细胞特征通常用于对细胞进行分类。此外，大多数关于自动细胞形态学分类的先前研究集中于生理细胞类型或外周血涂片的分类，限制了其对BM中白细胞分类的适用性，以诊断血液恶性肿瘤[5，16对于BM细胞分类，深度学习算法仅限于少量样本或疾病分类和/或无法访问相关数据[23在过去的几年里，卷积神经网络帮助显着提高了计算机视觉分类任务的准确性[30这些方法也被用于识别多种类型的*通讯作者。电子邮件地址：st3263@drexel.edu（S.Tripathi），aia43@drexel.edu（A.I.Augustin），rs3673@drexel.edu（R.Sukharan），sd3589@drexel.edu（S.Dheer），ek826@drexel.edu（E. Kim）。https://doi.org/10.1016/j.ailsci.2022.100043接收日期：2022年6月22日;接收日期：2022年7月21日;接受日期：2022年8月4日2022年8月8日网上发售2667-3185/© 2022作者。由Elsevier B. V.发布。这是一个CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）可在ScienceDirect上获得目录列表生命科学期刊首页：www.elsevier.com/locate/ailsciS. Tripathi，A.I.奥古斯丁河Sudaran等人生命科学中的人工智能2（2022）1000432癌症，预测肿瘤的进展，并对各种类型的皮肤病进行分类[36因此，有效使用CNN进行图像分类取决于大量图像数据和高质量注释的可用性，由于医学专家收集标签的相关成本，这可能很难实现[42当没有潜在的技术金标准时，人类检查员需要提供用于网络训练和评估的基础2. 相关工作2.1. 深度学习方法深度学习（DL）是机器学习的一个领域，它使用人工神经网络来模拟大脑的结构和功能。深度学习为众多人工智能（AI）应用程序和公司提供支持，使分析和物理过程自动化。对于癌症检测，肿瘤学家一直在使用深度学习方法，通过结合基因组、转录组和组织病理学数据来改善患者诊断、预后和治疗选择。DL的目的是开发决策工具，以帮助癌症研究人员在他们的研究和卫生专业人员在临床护理可以-cer患者[46]。在另一个案例中，Tayebi等人致力于建造用于自动骨髓细胞学的端到端深度学习模型[47]。使用患者血液的计算机化全载玻片图片快速自动确定适合进行细胞学检查的区域，然后对这些区域内的所有血细胞进行识别和分类。通过使用细胞类型直方图（HCT）定量骨髓中的细胞类型多样性，HCT是一种新的视觉描述，可用作细胞学“患者指纹”。该方法的面积检测达到了很高的精度2.2. 血液恶性肿瘤在对白血病癌症进行的类似研究中，该研究合并了两种白血病检测方法。第一种方法是基因组测序方法，第二种是多类分类模型。两者都采用卷积神经网络（CNN）作为网络设计，并使用三向交叉验证来分离他们的数据集。结果表明，基因组模型表现更好，预测值的准确率为98%，而多类分类模型的准确率为81%。另一方面，另一项研究着眼于基于阵列的全基因组筛查在白血病中的临床实用性，以及技术障碍和解释程序[13]。2.3. 骨髓形态学另一项研究的重点是开发一种用于定量分析的准确骨髓细胞鉴定技术。在本研究中使用了通过最小化新损失函数训练的YOLOv5网络[49]，以优化骨髓细胞识别技术。建议的新损失函数基于用于检测骨髓细胞的分类算法。根据结果，提出的损失函数有利于提高算法另一项研究工作评估了流式细胞术、核型分析和荧光原位杂交（FISH）面板在检测儿童骨髓增生异常综合征（MDS）中的有用性该研究得出结论，流式细胞术和MDS FISH可与形态学检查和核型结合使用，以发现特定病例中的异常[51]。3. 方法3.1. 数据集Matek等人获得的数据集，包含来自MLL慕尼黑白血病实验室诊断为各种血液病的945名患者队列的171，375张图像[52]。患者最小年龄为18.1岁，最大年龄为92.2岁。平均患者年龄（基于中位数的中位数）为69.3岁。平均年龄为65.6岁。使用May-Grünwald- Giemsa/Pappenheim染色法对骨髓涂片图像进行染色。使用40倍放大和油浸的明场显微镜获取图像。原始图像的大小为2452X2056。在单个细胞被形态学家注释成21个不同的类别后，从原始图像中提取250× 250正方形区域，每个区域包含一个注释的细胞。图1指示每个图像的类别，以及该类别的示例图像和来自该类别中的原始数据集的图像的数量。数据集中类的分布可以在图中看到。 二、3.2. 预处理在这项研究中，我们进行了数据扩充，以纠正类不平衡。数据扩充是一种用于从一组现有数据生成新数据的在图像的情况下，可以通过对图像应用各种变换来创建新数据一些这样的变换是旋转、平移、放大或缩小、噪声插入、裁剪和水平或垂直缩放。当用于解决类数据的不均匀分布时，数据扩充特别有效.在我们的例子中，有些类只有8个图像，而其他类有29，000个图像。增加数据有助于解决这个问题，增加了代表性不足的类这减少了对代表性过高的阶层的偏见我们将代表性不足的班级增加到每个班级大约20，000我们执行的随机变换包括在0° C和90° C之间旋转、放大/缩小、水平和/或垂直平移以及平移。这些增强图像的示例是示于图 3.我们还删除了与我们的研究无关的图像。在增强过程之前，分类为“伪影”、“伪影”和“无法识别”的图像3.3. 实施的模式为了进行比较，我们实现了E EccientNetV2[53]和ResNexT50模型[54，55]，而我们的主要管道模型是CoAtNet[56]。我们之所以选择CoAtNet，是因为它3.3.1. ResNexT50在2016年ImageNet大规模视觉识别挑战赛中，我们采用了Xie等人构建的ResNeXt-50架构，这是一个成功的图像分类网络，排名第二。36外周血涂片先前已使用网络状拓扑进行分类，14使其成为BM细胞分类的明显候选者。ResNet架构中超参数数量有限具有32个基数和4d瓶颈宽度的基础架构构建了ResNeXt-50。为了便于参考，该网络被称为ResNeXt-50（32X 4d）。应该注意的是，模板S. Tripathi，A.I.奥古斯丁河Sudaran等人生命科学中的人工智能2（2022）1000433∑∑∑Fig. 1. 本研究中使用的21种形态学分类的BM细胞具有相似的结构。这些阶级被安排成造血谱系按照以下顺序：根据标准实践，主要的骨髓生成和淋巴生成生理分类以及典型的病理分类均包括在分类中。如正文中进一步详细描述的，所有细胞均用May-Grunwald-Giemsa/Pappenheim染色剂染色并以340倍放大率拍摄。人工神经网络中的神经元执行内积，这可以被认为是聚合变换的一种形式中国（1）=1其中 = [ 1，2，...，]是神经元的D通道输入向量，������是第th通道的滤波器权重 。这是由卷积层和全连接层完成的基本转换。聚合变换表示为：������（=1其中，可以是任意函数。 类似于简单的神经元，应该将x投影到一个嵌入中，然后对其进行变换。网络的基数 是将被聚合的变换集的大小，可以是任意数。虽然宽度的维度与简单转换的数量有关，但基数的维度控制更复杂转换的数量。它们都被设计为优化训练时间和参数效率。EMCcientNetV2骨干在许多关 键 方 面 与 原 始 EMCcientNet 有 很 大 不 同 ： MBConv 和 新 的 融 合MBConv在EMCcientNetV2的早期层中得到了广泛的利用[53]。它还喜欢较低的MBConv扩展比，因为-10的较小扩展比为了补偿较小的3X 3内核大小导致的接收场下降，EQUICIENT-NetV 2添加了额外的层。由于其庞大的参数和内存访问成本，EMCcientNetV 2有可能完全消除原始EMCcientNet中的stride-1。EsccientNetV1在其设计中使用了具有深度卷积的MBConv层。然而，目前的加速器通常不能完全使用降阶卷积的减少的参数和FLOP。因此，减少FLOPs并不总是转化为更快的训练。效率-NetV 2使用MBConv 和 Fused-MBConv ， 而 不 是 依 赖 卷 积 。 MBConv 和 Fused-MBConv块如图所示在这两个块中，将1X 1卷积应用于SE模块。MB-Conv块在早期阶段使用1X1 conv和具有3X 3滤波器一个3x3滤波器被应用到一个单一的卷积，==1 ���（三）通过在融合MBConv块中将1X1和3X3.3.3. CoAtNet3.3.2. 电子邮件NetV2EsccientNetV2是一个新的卷积网络家族，具有更快的训练速度和更高的参数经济性。这些模型是使用混合神经架构搜索和缩放开发的CoAtNet是一个融合了卷积神经网络和Transformer模型的混合模型。CoAtNet的开发是因为它将ConvNet和Transformer的功能结合到一个网络中。CoAtNe可为不同的数据提供尖端性能S. Tripathi，A.I.奥古斯丁河Sudaran等人生命科学中的人工智能2（2022）1000434图二. 饼图显示了数据分布，我们将171374张不重叠的照片分为几个类别。图三. 每个类别的扩增数据如图所示。 我们执行的随机转换包括在0° C到90° C之间旋转，放大/缩小，水平和/或垂直平移以及平移。见图4。[57]《易经》中的《易经》是指《易经》中的《易经》。一个基数=32的ResNeXt块和前面的块几乎相同的复杂性显示在右边。层表示为（输入通道数、滤波器大小、输出通道数）。使用相同的资源。CoAtNet中的归纳偏差允许它像ConvNets一样泛化。此外，CoAtNet受益于更好的Transformer可扩展性和更快的收敛，提高了其效率。泛化和模型容量是机器学习中混合卷积和注意力的两个主要因素。考察研究表明，卷积层具有更大的泛化能力，而注意力具有更高的模型容量。我们可以通过合并卷积层和注意力层来获得更大的泛化能力和容量。这种混合模型更侧重于图像分类，并基于两个关键特征：（a）依赖卷积和自我关注S. Tripathi，A.I.奥古斯丁河Sudaran等人生命科学中的人工智能2（2022）1000435（（+++++∑（）下一页（exp∑���∈���⊤������∑作为开发机器学习算法的参考，）在softmax初始化之后或之前，具有自适应注意矩阵X的邮政 =∑（exp（������经验）+）���∈���∈���⊤������（六）���������−���pre=∑���∈exp（+���−���������））（七）3.4. 评估指标大多数形态分类都是由我们的训练模型准确预测的。由于神经网络是数据驱动的学习算法，其分类性能随着训练样本数据数量的增加而提高精确度和召回率，这是常用的测量准确度，精确度和召回率，被用来评估我们的训练方法。=+==（八）（九）（十）图五. MBConv和Fused-MBConv块如上图所示。可以使用简单的相对注意力容易地组合（b）通过以逻辑方式堆叠卷积层和注意力层，泛化、容量和效率大大提高。图6所示的模型架构由卷积和自注意操作组成。卷积层降低了输入的维数。MBconv块是一种具有反转结构的图像残差块。第一个MBconv块在执行去卷积之前将输入扩展4倍以捕获空间相互作用，第二个块将在添加残差之前压缩它依赖卷积分别为每个通道执行卷积，可以表示为：������=������−���⊙������(4)������∈其中 ���������，���分别是位置处的输入和输出���，并且��� ，一个3 × 3的网格，在图像处理中。对于自注意块和前馈网络（FNN）模块，使用相同的扩展-压缩结构，类似于MBConv块。相比之下，自我注意允许感受场是整个空间位置，并基于对之间的重新归一化的成对相似性来������,������∶2一个类别准确度的计算方法是将正确识别的样本数量除以评估数据集中的样本总数。这种方法是医学ML应用中最常用的方法之一，但它也因在各种类别比例的情况下具有欺骗性而闻名，因为将所有样本分配给主要类别是获得高准确性的简单方法召回率确定正确分类的阳性样本与分配给阳性类别的所有样本的比率，也称为灵敏度或真阳性率（TPR）。精密度反映了回收的相关样本的分数，并被确定为正确分类的样本与分配给该类别的所有样本的比率。当假阳性的成本很高时，精确度是一个合适的指标。4. 结果和讨论神经网络的使用已被证明在各种图像分类挑战中是有效的[58]。使用来自������=∑∑���∈经验值���������）中国（5）一个大的病人队列，我们提供了一个全面的注释高质量的数据集显微镜图像收集的骨髓涂片，可能是⏟⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏟⏞⏞⏞⏞⏞⏞⏞⏞⏞⏞⏟，其 中 ， n 表 示 全 局 空 间 。 CoAtNet 的 最 后 三 个 阶 段 可 以 是 卷 积 或Transformer块，从而导致模型架构的多种组合。表1显示了在模型架构中具有不同大小、块数和隐藏通道的CoAtNet模型系列输入自适应加权使自我注意更容易捕捉输入中不同元素之间的关系，而全局感受场是自我注意中使用的更大的感受场最佳模型架构涉及自注意力的输入自适应加权和全局接收场特征以及CNN中的翻译等方差，作为改善有限大小数据集的总的想法是，具有诊断意义的白细胞的形态学分类。据我们所知，这个图片数据库是目前文献中最全面的一个，包括患者数量，诊断和单细胞图像。我们利用数据集来训练和评估一种新的卷积和基于注意力网络的细胞学形态分类模型，然后将其与现有的最先进的CNN模型进行比较。如前所述，准确区分各种形态学类别可能具有挑战性，特别是当它们与白细胞分化谱系密切相关时;然而，情况并非总是如此。因此，网络的某些预测可能被认为是合理的，即使它们偏离了人类注释者的基本事实，因为与之相关联的固有不确定性。���⊤������ + ������−������∈S. Tripathi，A.I.奥古斯丁河Sudaran等人生命科学中的人工智能2（2022）1000436见图6。 CoAtNet架构如图所示。 一个大小为HX W的输入图片，我们在第一个茎阶段（S 0）使用卷积将大小减小到H/2XW/2，这是最终尺寸。每走一步，物体的尺寸就不断缩小。层数由字母Ln表示。前两个阶段(S1和S2）主要使用MBConv构建块，其由深度卷积运算组成。最后两个阶段（S3和S4）主要由具有高度相对自我关注的Transformer块组成。与ViT中前面的Transformer块相比，我们在此块，与漏斗Transformer块相当然后，我们使用分类头来提供预测。表1L指定块的数量，D表示隐藏维度中通道的数量。无论如何，我们总是为所有Conv和MBConv块使用内核大小3。在[22]之后，我们将所有Transformer块中每个attention head的大小增加到32。反向瓶颈的扩展率始终为4，而SE的扩展（收缩）率始终为0.25。倒置的瓶颈也被称为asthe inverted倒置bottleneck瓶颈.阶段大小CoAtNet-0CoAtNet-1CoAtNet-2CoAtNet-3CoAtNet-4S 0-转换1/2L= 2D= 64L= 2D= 64L= 2D= 128L= 2D= 192L= 2D= 192S1-Mb转换1/4L= 2D= 96L= 2D= 96L= 2D= 128L= 2D= 192L= 2D= 192S2-MBConv1/8L= 3D= 192L= 6D= 192L= 6D= 256L= 6D= 348L= 12D= 348S3-TFMRel1/16L= 5D= 398L= 14D= 398L= 14D= 512L= 14D= 768L= 28D= 768S4-TFMRel1/32L= 2D= 768L= 2D= 768L= 2D= 1024L= 2D= 1536L= 2D= 1536表2使用的各种模型之间的多类分类结果的比较。C、R和E分别代表CoAtNet[56]、ResNexT50[54，55]和E_xcientNetV2[53]。类名精度精度召回CRECRECRE杆状中性粒细胞0.960.890.850.970.840.780.960.870.75分段中性粒细胞0.970.910.890.950.890.860.970.850.88淋巴细胞0.910.820.810.940.830.840.930.780.81单核细胞0.770.590.470.810.620.560.790.630.57嗜酸性0.850.680.640.910.650.620.880.690.6嗜碱性0.640.270.140.740.110.150.70.170.15晚幼粒细胞0.880.210.290.910.150.210.890.120.24髓细胞0.850.750.720.880.650.690.870.590.66早幼粒细胞0.970.890.860.980.790.80.980.730.78爆炸0.960.910.920.940.710.840.980.880.8浆细胞0.940.890.870.930.740.850.950.750.82原成红细胞0.840.680.570.890.530.580.850.50.55红细胞0.980.870.880.990.780.860.980.760.83毛细胞癌0.930.510.450.920.460.40.880.410.42异常嗜酸性粒细胞0.430.180.120.420.110.090.390.130.14未成熟淋巴细胞0.630.220.160.650.130.150.660.120.16纤维细胞0.770.230.190.830.160.10.870.180.11形态分类。在分叶型中性粒细胞和带状中性粒细胞的情况下，它们是骨髓生成过程中的后续形态学类别，在某些情况下，两者之间的误解可能被认为是可以容忍的[59]。如表2所示，CoAtNet（C）、ResNext2（R）和EccientNetV2（E）为每个不同的形态类实现的准确度、精确度和召回率值。CoAtNet模型优于其他两个模型，因为它的注意力网络特性增加了算法的学习曲线，图中使用精确度-召回率曲线表示。第七章对于只有少量训练样本可用的类，例如柴束细胞或患病的嗜酸性粒细胞，分类器的表现不太好，正如数据驱动策略所预期的那样[60，61]。如果图像分类工作专注于检测这些特定的细胞类型，那么对训练数据的需求就会更大。训练一个二进制分类器而不是一个完整的多类分类器也可能会提高预测性能。假阳性和假阴性病例描述了这些细胞中的每一个之间的相似性，这加强了细胞形态分类任务的重要性和复杂性。由于神经网络是基于训练集以数据驱动的方式创建的，因此神经网络做出的分类判断并不适合人类直接解释。然而，为了深入了解这些算法的分类，最近创建了一些可解释性方法来帮助他们的调查[62]。作为我们确定输入图像的哪些区域对网络的分类决策很重要的努力的一部分参见图 8，该模型已经训练成专注于单细胞斑块的重要输入（即，其中描绘的初级白细胞），而忽略背景特征，例如红细胞、细胞碎片和斑块中可见的其他细胞碎片。此外，在对细胞进行分类时，已知与人类检查员相关的特定定义结构似乎在网络的注意力模式中发挥作用，例如嗜酸性粒细胞的细胞质和细胞膜毛细胞，这似乎在网络的注意力发挥作用，S. Tripathi，A.I.奥古斯丁河Sudaran等人生命科学中的人工智能2（2022）1000437见图7。下图显示了我们训练的每个模型的精确度-召回率曲线。对于不同的阈值，可以在精确度-召回率曲线中看到精确度和召回率之间的权衡。低假阴性和假阳性率与较高的曲线下面积相关见图8。 正确分类的原始照片 通过 网络 是 提出在的顶部排所有细胞均采用May-Gruenwald-Giemsa/Pappenheim染色剂染色，并在340放大倍数下拍照，如主要文本所述。中间行显示使用平滑-梯度算法的分析。piX el看起来越亮，它对网络做出的分 类 判 断 的 贡 献 就 越 大 。 第 二 种 网 络 分 析 方 法（Grad-CAM算法）的结果显示在底行中，作为叠加在原始图片上的热图。包含基本信息的图像区域以红色突出显示。这两种分析方法都表明，网络经过训练，集中于白细胞，而不考虑背景结构。请注意，该网络格局尽管这些分析在用作分类后解释时，本身并不能保证特定分类决策的正确性，但它们可以帮助提高网络已经学会关注单细胞图像的相关特征以及预测基于合理特征的信心。作为一个整体，结果是积极的和有前途的，具有良好的准确性和召回值达到了绝大多数的诊断相关的类研究。我们的结果与之前在其他医学成像领域的发现一致，其中基于注意力的图像分类任务优于依赖于提取图像特征以达到更高标准的方法[66成功使用CNN的最重要组成部分是训练数据这是一个非常大的和良好的质量[70]。5. 结论作为当前研究的一部分，我们主要使用单中心策略，所有纳入培训的BM涂片均在同一实验室进行染色、采集和处理网络介绍本文的算法在这样的环境下运行良好，具有很好的应用前景。我们提出的卷积和注意力网络模型（CoAtNet）在分类细胞方面优于当前最先进的CNN模型这表明注意力网络在未来也可以用于类似的数据集未来的研究可能有助于降低标签噪声的重要性（例如，通过使用半监督或无监督方法，如已应用于红细胞评估46或细胞周期重建等过程）。形态学数据库的增长，优选地作为多中心研究的一部分并使用各种扫描仪硬件，几乎肯定会提高网络的性能和弹性，特别是对于当前数据集中具有较小尺寸的类然而，由于我们的研究中包含大量病例和诊断，我们预计数据集将相当准确地代表大多数细胞组中观察到的形态学变化。本研究的目的是评估成人BM的形态学。如果将这项研究扩展到包括新生儿和幼儿的样本，特别是淋巴细胞的样本，那将是非常有趣的每-S. Tripathi，A.I.奥古斯丁河Sudaran等人生命科学中的人工智能2（2022）1000438我们的网络在现实世界的诊断环境中的故障将需要更多的调查。血液学中采用的诊断模式的范围表明，补充数据的整合（例如，来自流式细胞术或分子遗传学）将提高神经网络预测的质量。竞争利益作者声明，他们没有已知的竞争性经济利益或个人关系，可能会影响本文报告的工作。引用[1]WintrobeMM.临床血液学。医学科学院1962;37（1）：78.[2] Theml H， Diem H， Haferlach T.血 液学 彩色 图谱 ： 实用 显微 镜 与临 床诊 断。Thieme;2004.[3] Ho Rumman R，Benz Jr EJ，Silberstein LE，Heslop H，Anastasi J，Weitz J.血液学：基本原理和实践。Elsevier Health Sciences; 2013.[4] Lözier H，Rastetter J.临床血液学图谱。Springer Science& BusinessMe-dia;2012.[5] Kratz A，Lee S-h，Zini G，Riedl JA，Hur M，Machin S，et al.血液学数字形态学分析仪：ICSH审查和建议。Int. JLabHematol 2019;41（4）：437-47.[6] [10]张文辉，张文辉.眼镜王蛇（Ophiophagushannah）血细胞的血液学、形态学、细胞化学染色和超微结构特征。兽医临床病理学2002;31（3）：116[7] 托马斯十世白血病史上的第一位贡献者世界血液学杂志2013;2（62）.[8] Tkachuk D ， Hirschmann J. 血 液 和 骨 髓 显 微 镜 评 价 方 法 。 Wintrobe Atlas ClinHaematol Lippincott Williams Wilkins 2007.[9] Briggs C， Longair I ， Slavik M， Thwaite K， Mills R， Thavaraja V， et al. Canautomated blood film analysis replace the manual diffusion？cellavision dm96自动图像分析系统的评价。国际实验室血液学杂志2009;31（1）：48[10] 放大图片作者：Angulo J. 外周血工作区的自动检测涂抹使用数学形态学。AnalCellPathol2003;25（1）：37-49.[11]杨伟杰，李晓梅，李晓梅.卷积神经网络对急性髓性白血病原始细胞的人类水平识别。Nat Mach Intell 2019;1（11）：538-44.[12]Nabity MB，Harr KE，Camus MS，Flatland B，Vap LM. ASVCP指南：血液学允许总误差。兽医临床病理学2018;47（1）：9[13][10]李文辉，李文辉.全基因组阵列在血液系统恶性肿瘤常规诊断中的应用。HumMut 2012;33（6）：941-8.[14]富恩特斯-阿德留X，多特-巴赫D。人工分类白细胞计数的测量不确定度。临床化学实验室医学2009;47（1）：112[15][10] FontP，Loscertales J，Soto C，Ricard P，Novas CM，Martín-Clavero E，et al.内部骨髓原始细胞低于5%的骨髓增生异常综合征的观察者方差：单系与多系发育异常和2%原始细胞阈值的可重复性。AnnHematol2015;94（4）：565-73。[16]Krappe S，Benz M，Wittenberg T，Haferlach T，Münzenmayer C.用于白血病诊断的显微图像中骨髓细胞的自动分类：两种分类方案在分割质量方面的比较。医学影像2015：计算机辅助诊断，9414。国际光学与光子学学会; 2015年。94143I[17][10] RetaC，Altamirano L，Gonzalez JA，Diaz-Hernandez R，Peregrina H，OlmosI，et al.使用上下文信息对骨髓细胞图像进行分割和分类，用于急性白血病的医学诊断PLoSOne 2015;10（6）：e0130805.[18]Chandradevan R，Aljudi AA，Drumheller BR，Kunananthaseelan N，Amgad M，Gut- man DA等人，基于机器的骨髓穿刺活检计数检测和分类：初始开发侧重于非肿瘤细胞。Lab Investig 2020;100（1）：98-109.[19]SongT-H，Sanchez V，Daly HE，Rajpoot NM.同时进行细胞检测和骨髓组织学图像分类。IEEE JBiomedHealth Inform 2018;23（4）：1469-76.[20] Krappe S，Wittenberg T，Haferlach T，Münzenmayer C.用于白血病诊断的显微图像中骨髓细胞的自动形态学分析：使用分层树模型的核-浆分离和细胞分类造血功能医学影像2016：计算机辅助诊断，9785。国际光学与光子学学会; 2016年。97853C[21]斯科蒂·F自动形态学分析用于PE中急性白血病的识别外周血显微镜图像。In：CIMSA.2005年IEEE测量系统与应用计算智能国际会议IEEE; 2005年。p. 96比101[22] Kimura K，Tabe Y，Ai T，Takehara I，Fukuda H，Takahashi H，et al. A novelautomated image analysis system using deep convolutional neural networks canassist to diagnosis MDS and AA. Sci Rep2019;9（1）：1-9.[23] MoriJ，Kaji S，Kawai H，Kida S，Tsubokura M，Fukatsu M，et al.评估用卷积神经网络对骨髓涂片中的发育异常进行诊断。Sci Rep 2020;10（1）：1-8.[24] Wu Y-Y ， Huang T-C ， Ye R-H ， Fang W-H ， Lai S-W ， Chang P-Y ， et al. Ahematologist-gist-leveldeep learning algorithm （ bmsnet ） for assessing themorphologies of sin-骨髓涂片中的单个核球：算法开发。JMIR MedInform 2020;8（4）：e15963。[25] 放大图片作者：Anilkumar K，Manoj V，Sagi T.血液和骨髓涂片图像分割的研究进展，重点是白血病的自动检测。Biocybern Biomed Eng2020;40（4）：1406-20.[26] 1999年10月20日，李文辉。 分类-急性淋巴细胞白血病的诊断和治疗Microsc Res Tech 2018;81（11）：1310-17.[27] Jin H ， Fu X ， Cao X ， Sun M ， Wang X ， Zhong Y ， et al. Developing andpreliminary validating an automatic cell classification system for bone marrowsmears：a pilot study.医学系统杂志2020;44（10）：1-10。[28] 余天春，周伟春，叶春英，杨春光，黄世春，田芳，姚春英，郑春玲，Chuang M-K，Tien H-F，et al.通过深度神经网络进行自动骨髓细胞识别和分类。血液2019;134：2084。[29] ChoiJW，Ku Y，Yoo BW，Kim J-A，Lee DS，Chai YJ，等.使用双阶段卷积神经网络对骨髓涂片中成熟阶段的白细胞PLoS One 2017;12（12）：e0189259.[30] 铃木K医学成像中的深度学习概述放射物理技术2017;10（3）：257-73。[31]福哥美国，Levin-Schwartz Y.林清-H、公司简介医疗成像的机器学习2019年。[32] Zhang D，Song Y，Liu D，Jia H，Liu S，Xia Y，et al. Panoptic Segmentation withan end-to-end cell R-CNN for pathology image analysis.在：医学图像计算和计算机辅助干预国际会议。Springer; 2018. p. 237比44[33] 特里帕蒂湾人工智能：简要回顾。在：分析未来的应用AI，传感器和机器人在社会中; 2021年。p. 1比16[34] Tripathi S，Musiolik TH.基于人工智能的医学成像中的公平和道德。在：用新兴技术重塑医疗保健的伦理影响。IGI Global; 2022. p. 71比85[35] 作者：Rawat W，Wang Z.图像分类的深度卷积神经网络：全面综述。神经计算2017;29（9）：2352-449.[36] Tripathi S，Augustin AI，Moyer EJ，Zavalny A，Dheer S，Sudaran R，[10] Schwarzman D，J. Radgennets：用于肺癌基因突变预测的基于深度学习的放射基因组学模型。bioRX iv 2022. doi：10.1101/2022.04.13.488208。[37] Bi WL，Hosny A，Schabath MB，Giger ML，Birkbak NJ，Mehrtash A等人，癌症成像中的人工智能：临床挑战和应用。CA：Cancer JClin 2019;69（2）：127-57。[38] 李E，王Y，黄Y，希克曼S，吉尔伯特F.乳房图像中的人工智能ing. ClinRadiol2019;74（5）：357-66。[39] LeeE-J ， Kim Y-H ， Kim N， Kang D-W.深 入大 脑： 中 风成 像中 的人 工智 能JStroke 2017;19（3）：277.[40] 黄J，Shlobin NA，Lam SK，DeCuypere M. 人工智能在儿科脑肿瘤成像中的应用：一项系统综述。世界神经外科2022;157：99-105。[41]EstevaA，Topol E.皮肤癌诊断能被AI改变柳叶刀2019;394（10211）：1795。[42] GreenspanH，Van Ginneken B，Summers RM.客座编辑医学成像中的深度学习：一种令人兴奋的新技术的概述和未来前景IEEE Trans- MedImaging 2016;35（5）：1153[43] Shen D ， Wu G ， Suk H-I. 医 学 图 像 分 析 中 的 深 度 学 习 。 AnnuRevBiome-dEng2017;19：221-48.[44] [10]杨文辉，张文辉.捕捉专家以机器可读的格式从医疗裁定讨论中获得的论据。In：CompanionProceedings of the2019 World Wide Web Conference; 2019. p
我的内容管理
展开
