每年，将近1.2亿单位的捐献血液从静脉流入世界各地的收集中心的储存袋。液体被包装，加工和保留为以后使用。但是一旦离开身体，储存的红细胞就会持续恶化。在大多数国家，到了42天，这些产品就不再可用了。

 

多年来，实验室使用专家的显微镜检查来评估储存的血液的质量。一个单位在24天内的生存能力如何?第37天呢?根据技术人员眼睛的感知，答案可能会有所不同。这个手工过程是艰苦的、复杂的、主观的。

 

现在，经过三年的研究，发表在《美国国家科学院院刊》(Proceedings of the National Academy of Sciences)上的一项研究公布了两种新策略，可以实现红细胞质量评分的自动化，其结果与专家评估相匹配，甚至超过专家评估。

 

这些方法展示了将人工智能与最先进的成像技术结合起来解决一个长期存在的生物医学问题的潜力。如果标准化，它可以确保更一致、更准确的评估，提高效率和更好的患者结果。

 

经过训练的机器匹配专家的人工评估

 

这项跨学科合作涉及5个国家、12个机构和19位作者，杏耀主管包括加拿大、美国、瑞士、德国和英国的大学、研究机构和采血中心。这项研究是由哈佛大学和麻省理工学院的计算生物学家安妮·卡彭特、瑞尔森大学物理系的物理学家迈克尔·科里奥斯和加拿大血液服务中心的杰森·阿克领导的。

 

他们首先研究了神经网络是否能像人类专家一样，被教会在红细胞图像中“看到”六种细胞退化。为了生成所需的大量图像，成像流式细胞术起着至关重要的作用。作者之一约瑟夫·塞巴斯蒂安解释说，他是瑞尔森大学的本科生，当时在科里奥斯手下工作。

 

“通过这项技术，红细胞悬浮在细胞计中，然后在细胞计中流动。细胞计每秒钟可以拍摄成千上万张单个血细胞的图像。我们可以在不处理或无意中损害红细胞的情况下检查每个红细胞，这在显微镜检查中有时会发生。”

 

研究人员使用了40900张细胞图像来训练神经网络将红细胞分成六类——这是目前世界上最大的红细胞数据库，可免费获取，每个红细胞都标注了不同的恶化类别。

 

经过测试，机器学习算法与人类专家达成了77%的一致性。尽管23%的错误率听起来很高，但在这个测试中完全匹配专家的判断是不可能的:即使是人类专家也只有83%的几率同意。因此，这种完全监督的机器学习模型可以有效地取代人类繁琐的视觉检查，而且准确率几乎没有损失。

 

即便如此，研究小组还是想知道:一种不同的策略能否进一步推动精确度的上限?

 

机器超越了人类的视觉，能探测到细胞的微妙之处

 

在研究的第二部分，研究人员完全避免了人类输入， 杏耀平台谈科技 ，并设计了一种替代的“弱监督”深度学习模型，在这种模型中，神经网络可以自行了解RBC的降解情况。

 

这些机器并没有按照专家们所使用的六种视觉分类来学习，而是通过分析100多万张红细胞的图像来学习，这些红细胞没有分类，而且只按照血液储存时间来排序。最终，机器正确地识别了单个红细胞的特征，这些红细胞对应着从健康细胞到不健康细胞的下降。

 

卡彭特说:“让电脑自行了解储存的红细胞在降解过程中的进程，这真是一个令人兴奋的发展，尤其是因为它可以捕捉到人类无法识别的细胞中更细微的变化。”

 

当与其他相关测试(如生化测试)进行对比时，杏耀平台总代理经过弱监督训练的机器对红细胞质量的预测优于目前专家使用的六类评估方法。