Генеративный ИИ в морфологии крови: как нейросети создают «цифровые клетки» и исправляют огрехи окрашивания

Друзья, современная гематология стремительно уходит от простого созерцания клеток в окуляры микроскопа. Сегодня на передовой стоят глубокое обучение и генеративный искусственный интеллект. Разберем, как эти технологии решают две фундаментальные проблемы лабораторной диагностики.

Проблема №1: Дефицит редких клеток

Для обучения нейросетей, распознающих патологии, нужны тысячи изображений. Но где взять столько примеров при редких заболеваниях, таких как волосатоклеточный лейкоз или острый промиелоцитарный лейкоз?

Решение — Генеративно-состязательные сети (GAN) и диффузионные модели.

ИИ не просто копирует существующие фото, он изучает распределение признаков и создает абсолютно новые, синтетические изображения клеток «с нуля» ?.

Как это работает? Одна нейросеть (генератор) создает изображение, а вторая (дискриминатор) пытается отличить его от настоящего. В ходе этой «дуэли» рождаются настолько реалистичные клетки, что даже опытные патоморфологи при слепом тестировании подтверждают их полную достоверность: от ворсинчатых выростов цитоплазмы до специфической зернистости.

Проблема №2: Вариабельность окрашивания (Domain Shift)

Каждая лаборатория использует свои протоколы окраски по Май-Грюнвальду-Гимзе или Райт-Гимзе. Разница в pH, концентрации красителя или освещении микроскопа приводит к тому, что нейросеть, обученная в одной клинике, начинает ошибаться в другой. Для алгоритма «другой оттенок синего» — это критическая ошибка.

Здесь на помощь приходит цифровая нормализация окрашивания.

Используя модель CycleGAN, ученые научились приводить изображения из разных лабораторий к единому «эталонному» стилю.

Результат: ИИ перекрашивает изображение, сохраняя структуру ядра и цитоплазмы неизменными. Это позволяет использовать один универсальный алгоритм для множества медицинских центров без потери точности диагностики.

Будущее уже здесь

Технологии генерации позволяют не только расширять обучающие выборки, но и внедрять системы поддержки принятия врачебных решений, которые работают стабильно вне зависимости от того, какой микроскоп или краситель используется в конкретной лаборатории. Это важный шаг к стандартизации цифровой морфологии во всем мире.

Источник для цитирования:

Merino A, Alferez S, Barrera K, Rodellar J. Generative Artificial Intelligence in Peripheral Blood Morphology: Synthetic Image Creation and Digital Stain Normalization. International Journal of Laboratory Hematology. 2026;0:1–12.

СКАЧАТЬ PDF

Телеграм: t.me/ainewsline

Источник: vk.com

Комментарии: