Biophysical Profiling of Red Blood Cells from Thin-film Blood Smears using Deep Learning
Notice bibliographique
Résumé
Abstract Microscopic inspection of thin-film blood smears is widely used to identify red blood cell (RBC) pathologies, including malaria parasitism and hemoglobinopathies, such as sickle cell disease and thalassemia. Emerging research indicates that non-pathologic changes in RBCs can also be detected in images, such as deformability and morphological changes resulting from the storage lesion. In transfusion medicine, cell deformability is a potential biomarker for the quality of donated RBCs. However, a major impediment to the clinical translation of this biomarker is the difficulty associated with performing this measurement. To address this challenge, we developed an approach for biophysical profiling of RBCs based on cell images in thin-film blood smears. We hypothesize that subtle cellular changes are evident in blood smear images, but this information is currently undetectable by human cognition. To test this hypothesis, we developed a deep learning strategy to analyze Giemsa-stained blood smears to assess the subtle morphologies indicative of RBC deformability and storage-based degradation. Specifically, we prepared thin-film blood smears from 27 RBC samples (9 donors evaluated at 3 storage timepoints) and imaged them using high-resolution microscopy. Using this dataset, we trained a convolutional neural network to evaluate image-based morphological features related to cell deformability. The prediction of donor deformability is strongly correlated to the microfluidic scores and can be used to categorize images into specific deformability groups with high accuracy. We also used this model to evaluates differences in RBC morphology resulting from cold storage. Together, our results demonstrate that deep learning models can exceed the limits of human cognition to detect subtle cellular differences in morphology resulting from deformability and cold storage. This result suggests the potential to assess donor blood quality from thin-film blood smears, which can be acquired ubiquitously in clinical workflows.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».