- Tytuł:
-
Automatyczna klasyfikacja komórek rozmazu krwi obwodowej na przykładzie zatrucia ołowiem
Automatic classification of peripheral blood smear cells by the example of lead poisoning - Autorzy:
-
Michalski, Adrian
Kupcewicz, Bogumiła - Powiązania:
- https://bibliotekanauki.pl/articles/762603.pdf
- Data publikacji:
- 2020-07-28
- Wydawca:
- Polskie Towarzystwo Farmaceutyczne
- Tematy:
-
uczenie maszynowe
analiza rozmazu krwi obwodowej
klasyfikacja białych krwinek
przetwarzanie obrazu
Image Processing
machine learning
peripheral blood smear analysis
leukocyte classification - Opis:
-
The first symptoms caused by heavy metals poisoning are usually non-specific, therefore their diagnosis requires specialized knowledge and experience. Incorrect diagnosis can lead to various disorders and irreversible changes in patient’s health. Lead poisoning is one of the heavy metals poisoning which is associated with non-specific symptoms and may cause a broad range of biochemical, physiological and behavioral disfunctions. Lead is commonly found in industry and manufacturing and in 2017, lead poisoning caused over a million deaths worldwide. Due to non-specific symptoms, lead poisoning is often diagnosed too late or incorrectly. Early symptoms are headache and stomachache, which potentiate with metal concentration. Lead poisoning increasing risk of anemia due to inhibition the ability to produce hemoglobin by interfering the heme biosynthesis pathway and decreasing red blood cell survival. Because of regularly occurred disorders of hematopoiesis and the presence of atypical cell in smears, diagnosis of lead poisoning that gives relevant information is bone marrow and peripheral blood smear study. The manual smear test made by qualified technician involves the evaluation of the preparation by using an optical microscope. Manual microscopic examination of blood cells is time-consuming and subjective. Automation of this process would enable to reduce the risk of human failure and solve the problem with lack of professional staff. Traditional machine learning is the most popular approach to automating microscopic smear testing. This method consists of the following stages: microscopic image acquisition, preprocessing, cell segmentation, feature extraction, followed by classification into types, artifacts and atypical cells. This work presents the recent methods proposed to automate the analysis of peripheral blood and bone marrow smears using traditional machine learning methods. A review of different machine learning methods was carried out, focusing on the presentation of an algorithm for the construction of automatic blood cell classifiers.
Pierwsze objawy pacjenta po zatruciu metalami ciężkimi są najczęściej nieswoiste, dlatego ich diagnostyka jest zadaniem wymagającym specjalistycznej wiedzy i doświadczenia. Nieprawidłowa diagnoza może prowadzić do nieodwracalnych zmian w stanie zdrowia pacjenta. Jednym z metali ciężkich, którym zatrucie wiąże się z nieswoistymi objawami, a może prowadzić do poważnych zaburzeń neurologicznych i hematologicznych jest ołów. Ołów jest metalem ciężkim powszechnie występującym w przemyśle i produkcji. W 2017 roku zatrucie tym metalem było przyczyną ponad miliona zgonów na świecie. Z powodu nieswoistych objawów zatrucie ołowiem często jest diagnozowane nieprawidłowo i zbyt późno. Zatrucie metalami ciężkimi może prowadzić do zaburzeń hematopoezy i pojawienia się w rozmazach krwi i szpiku kostnego komórek atypowych, w związku z czym badaniem niosącym istotną informację w diagnostyce zatrucia jest ocena komórek w rozmazach. Analiza rozmazu manualnego polega na ocenie preparatu przy użyciu mikroskopu optycznego oraz szczegółowej interpretacji obrazu mikroskopowego wykonywanej przez wykwalifikowany personel. Automatyzacja tego procesu pozwoliłaby na ograniczenie ryzyka pomyłki spowodowanej błędem ludzkim oraz rozwiązanie problemu braku doświadczonego personelu. Najpopularniejszym podejściem wykorzystywanym w automatyzacji mikroskopowego badania rozmazu jest tradycyjne uczenie maszynowe. Metoda ta, składa się z kilku etapów: zbieranie obrazów mikroskopowych i ich wstępna obróbka, wyodrębnienie komórek oraz ich charakterystycznych cech, a następnie klasyfikacja na rodzaje, artefakty i komórki atypowe. W pracy opisano aktualnie proponowane sposoby automatyzacji badania rozmazu krwi obwodowej i szpiku kostnego, wykorzystujące tradycyjne metody uczenia maszynowego. Przeprowadzono przegląd metod uczenia maszynowego, skupiając się na przedstawieniu algorytmu postępowania w konstrukcji automatycznych klasyfikatorów komórek krwi. - Źródło:
-
Farmacja Polska; 2020, 76, 6; 318-323
0014-8261
2544-8552 - Pojawia się w:
- Farmacja Polska
- Dostawca treści:
- Biblioteka Nauki
Artykuł