通过图像分析自动识别外周血中不同类型的急性白血病

目的 在不同类型的幼稚细胞谱系之间进行形态学区分是一项困难的任务，缺乏能够识别这些异常细胞的自动分析仪。本研究旨在开发一种机器学习方法，通过外周血图像预测急性白血病的诊断。方法 从206名患者中分析了一组442个涂片。它被分为一个包含75%涂片的训练集和一个包含剩余25%涂片的测试集。使用颜色聚类和数学形态学对细胞图像进行分割，从中提取了2867个几何、颜色和纹理特征。研究了几种分类技术，以获得最准确的分类方法。随后， classifier使用测试集的图像进行评估。最终策略是利用PB涂片预测患者的诊断，最终评估是通过测试集涂片的细胞图像进行的。结果 通过线性判别分析选择700个特征时，获得了最高的分类准确性。六组细胞类型的整体分类准确率为85.8%，而单个涂片的整体分类准确率为94%，与真实的确认诊断相比。结论 提出的该方法在识别血液中其他单核细胞的不同类型幼稚细胞方面实现了高诊断精度。这是朝着未来成为诊断支持工具的一个令人鼓舞的第一步。