Erytrosyyttien automaattinen analyysi perifeerisen veren sivelyvalmisteista

Abstract

Kliinisissä laboratorioissa hyödynnetään yhä enemmän tekoälyä. Kone- ja syväoppimismalleja voidaan soveltaa esimerkiksi tunnistamaan ja luokittelemaan erytrosyyttejä automaattisesti verensivelyvalmisteista. Koneoppivat algoritmit oppivat itsenäisesti kokemuksen kautta. Syväoppimiseen käytetään useista piilotasoista koostuvia syviä neuroverkkoja, jotka mahdollistavat muotojen tunnistuksen ja kuvien luokittelun.

Opinnäytetyön aiheena oli erytrosyyttien automaattinen sytomorfologinen tunnistus. Työssä annotoitiin eli tunnistettiin ja luokiteltiin digitoiduista verensivelyvalmisteista morfologialtaan erityyppisiä erytrosyyttejä. Tarkoituksena oli opettaa neuroverkkopohjaista kuva-analyysialgoritmia ja arvioida sen luotettavuutta. Tavoitteena oli tuottaa tietoa kuva-analyysialgoritmin käytöstä erytrosyyttien sytomorfologisessa arvioinnissa. Opinnäytetyö tehtiin kuva-analyysialgoritmeja kehittävälle Hematoscope Lab -tutkimusryhmälle. Aihe valittiin, koska tutkimusryhmällä oli tarve erytrosyyttien morfologiaa analysoivalle algoritmille ja erytrosyyttien tunnistamiseen liittyvää aineistoa ei ollut vielä kerätty.

Algoritmin opetusaineistoksi annotoitiin 189 erytrosyyttikuvaa. Annotointiin käytettiin Hasty.ai-ohjelmaa. Luotettavuutta arvioitiin erytrosyyttiluokkien spesifisyyden ja sensitiivisyyden avulla. Aineistoksi skannattiin myös 27 verensivelyvalmistetta. Valmisteet analysoitiin Hematoscope Labin algoritmilla, West Medicalla ja Sysmex DI-60 -analysaattorilla. Tulokset analysoitiin Mann-Whitney U -testillä ja Spearmanin korrelaatiokertoimella. Lisäksi aineistoksi annotoitiin 5 kuvaa, joista verrattiin opinnäytetyön tekijöiden välisiä arviointeja. Tuloksille laskettiin prosentuaaliset erot Excel-ohjelmassa.

Tutkimustulokset osoittavat Hematoscope Labin algoritmin olevan luotettava, mutta vaativan jatkokoulutusta. Verratessa algoritmia muihin vastaaviin laitteisiin havaitaan tulosten pääosin korreloivan keskenään, vaikkakin Hematoscope Labin algoritmi painottaa suurta osaa erytrosyyttiluokista. Opinnäytetyön tekijöiden välisen arvioinnin vertailun tulokset osoittavat subjektiivisuutta annotointien suhteen.

Clinical laboratories are increasingly utilizing artificial intelligence. For instance machine learning and deep learning can be applied to automatically identify and classify erythrocytes from blood films. Machine learning algorithms learn independently through experience. Deep learning uses neural networks that consist of several hidden layers. Deep learning enables shape recognition and image classification.

The topic of this thesis was automatic cytomorphological recognition of erythrocytes from peripheral blood films. It included annotating, identifying and classifying erythrocytes from digitized blood films. The purpose was to train an image analysis algorithm and evaluate its reliability. The aim was to generate information about the use of image analysis algorithms in cytomorphological assessment of erythrocytes. The thesis was conducted for the Hematoscope Lab research group, which specializes in developing image analysis algorithms. The topic was chosen because the research group needed an algorithm for analyzing the morphology of erythrocytes and no material related to the identification of erythrocytes had been collected.

A total of 189 erythrocyte images were annotated for the algorithm’s training dataset using Hasty.ai-platform. Reliability was evaluated by assessing the specificity and sensitivity of erythrocyte classes. Additionally, 27 blood films were scanned and analyzed using Hematoscope Lab’s algorithm, West Medica and the Sysmex DI-60-analyzer. The results were analyzed using the Mann-Whitney U test and Spearman’s correlation coefficient. Furthermore, 5 images were annotated to compare evaluations between the thesis authors. Percentage differences were calculated using Excel.

The results lead to the conclusion that the Hematoscope Lab’s algorithm is reliable but requires further training. When comparing the algorithm to other similar devices, a correlation between the results is observed, although Hematoscope Lab’s algorithm emphasizes a significant portion of erythrocyte classes. The results of the comparison between the thesis authors indicate subjectivity regarding the annotations.