一种能够分析血细胞形态异常的人工智能工具，其准确性和可靠性超过人类专家，可能会改变白血病等疾病的诊断方式。
研究人员创建了一个名为CytoDiffusion的系统，该系统使用生成式人工智能——与DALL-E等图像生成器背后相同类型的技术——来研究血细胞的形状和结构。
与许多仅被训练用于识别模式的AI模型不同，由剑桥大学、伦敦大学学院和伦敦玛丽女王大学领导的研究人员展示了CytoDiffusion能够准确识别各种正常血细胞外观，并发现可能表明疾病的异常或罕见细胞。
他们的研究成果发表在《自然·机器智能》杂志上。
发现血细胞大小、形状和外观的细微差异是诊断许多血液疾病的基础。但这项任务需要多年的培训，即使如此，不同的医生在处理困难病例时也可能存在分歧。
"我们体内有多种不同类型的血细胞，它们具有不同的特性和在体内的不同作用，"剑桥大学应用数学与理论物理系的研究第一作者Simon Deltadahl表示。
"例如，白细胞专门负责对抗感染。但知道显微镜下异常或患病血细胞的样子是诊断许多疾病的重要部分。"
然而，典型的血液"涂片"包含数千个细胞——远超过任何人能够分析的数量。
"Deltadahl说："人类无法查看涂片中的所有细胞——这是不可能的。我们的模型可以自动化这个过程，对常规病例进行分类，并将任何异常情况标记出来供人工复查。"
"作为一位初级血液科医生，我面临的临床挑战是，工作一天后，我需要分析大量血液薄膜，"来自伦敦玛丽女王大学的共同资深作者Suthesh Sivapalaratnam博士说。
"当我深夜分析它们时，我确信人工智能会比我做得更好。"
为了开发CytoDiffusion，研究人员在剑桥Addenbrooke医院收集的50多万张血液涂片图像上训练了该系统。这个数据集——同类中最大的——包括常见血细胞类型和更罕见的例子，以及可能混淆自动化系统的元素。
通过建模细胞外观的完整分布而不仅仅是学习分离类别，该AI对不同医院、显微镜和染色方法之间的差异变得更加稳健，并且更好地识别罕见或异常细胞。
在测试中，CytoDiffusion能够以比现有系统高得多的灵敏度检测与白血病相关的异常细胞。即使在提供较少训练样本的情况下，它也匹配或超过了当前最先进的模型；并且量化了自己的不确定性。
"Deltadahl说："当我们测试其准确性时，该系统略优于人类。但它真正突出的地方在于知道自己何时不确定。我们的模型永远不会在错误的情况下声称自己是确定的，但这是人类有时会做的事情。"
"我们针对现实世界AI中遇到的许多挑战评估了我们的方法，例如从未见过的图像、由不同机器捕获的图像以及标签中的不确定性程度，"同样来自剑桥大学应用数学与理论物理系的共同资深作者Michael Roberts教授说。
"这个框架提供了模型性能的多方面视图，我们相信这将对研究人员有益。"
研究团队还展示了CytoDiffusion能够生成与真实图像无法区分的合成血细胞图像。在一项有10位经验丰富的血液学家参与的"图灵测试"中，人类专家辨别真实图像和AI生成图像的能力并不比随机猜测更好。
"Deltadahl说："这真的让我很惊讶。这些人整天盯着血细胞看，甚至他们也无法分辨。"
作为项目的一部分，研究人员正在发布他们声称是世界上最大的公开可用外周血涂片图像数据集：总计超过50万张。
"Deltadahl说："通过使这一资源公开，我们希望赋予全球研究人员构建和测试新AI模型的能力，使高质量医疗数据的访问民主化，并最终为改善患者护理做出贡献。"
尽管结果很有希望，但研究人员表示CytoDiffusion并不是训练有素的临床医生的替代品。相反，它旨在通过快速标记异常病例供复查并自动处理更常规的病例来支持他们。
"伦敦大学学院的共同资深作者Parashkev Nachev教授说："医疗保健AI的真正价值不在于以较低成本近似人类专业知识，而在于实现比专家或简单统计模型更大的诊断、预后和处方能力。"
"我们的工作表明，生成式AI将成为这一使命的核心，不仅改变临床支持系统的保真度，还改变它们对自己知识局限性的洞察。这种'元认知'意识——知道自己不知道什么——对临床决策至关重要，而在这里，我们展示了机器在这方面可能比我们做得更好。"
研究人员表示，需要进一步的工作使系统更快，并在不同患者人群中进行测试，以确保公平性和准确性。
【全文结束】
