백혈병의 진단과 모니터링을 위해 CD34+ 세포의 정확하고 효율적인 분류 및 정량화는 필수적이다. 유세포분석과 같은 현재의 방법은 복잡하고 시간이 많이 소요되며, 전문 지식과 장비를 필요로 한다. 본 연구는 딥러닝 모델과 렌즈프리 섀도 영상 기술(lens-free shadow imaging technology, LSIT)을 이용한 CD34+ 세포의 무표지(label-free) 식별을 위한 새로운 접근법을 제안한다. LSIT은 세포 염색의 필요성을 제거하고, 비전문가의 접근성을 향상시키며, 시료의 열화 위험을 줄이는 휴대 가능하고 사용자 친화적인 기법이다. 본 연구는 시료 준비, 데이터셋 생성, 데이터 분석의 세 단계로 수행되었다. 골수 및 말초혈액 시료를 백혈병 환자에서 채취하였고, Ficoll 밀도구배 원심분리를 이용하여 단핵세포를 분리하였다. 이후 시료를 세포 칩에 주입하고, 자체 개발 LSIT 기반 장치(Cellytics)로 분석하였다. 견고한 데이터셋을 생성하였으며, 해당 데이터셋을 사용하여 CD34+ 세포와 비(非)CD34+ 세포를 구분하기 위한 맞춤형 AlexNet 딥러닝 모델을 세심하게 학습하였다. 이 모델은 1929개의 골수 세포 이미지로부터 CD34+ 세포를 식별하는 데 높은 정확도를 보였으며, 학습 및 검증 정확도는 각각 97.3%와 96.2%였다. 맞춤형 AlexNet 모델은 Vgg16 및 ResNet50 모델보다 우수한 성능을 나타냈다. 또한 13개 환자 시료 전반에서 CD34+ 세포 정량을 위한 표준 형광활성화 세포분류(fluorescence-activated cell sorting, FACS) 기법과의 강한 상관관계를 보여, 결정계수(coefficient of determination)가 0.81이었다. Bland-Altman 분석을 통해 모델의 신뢰성이 확인되었으며, 평균 편향은 -2.29이고 95% 합의 한계는 18.49에서 -23.07 사이였다. 이와 같은 딥러닝 기반 LSIT은 세포 염색 없이 CD34+ 세포를 검출할 수 있는 획기적인 접근법을 제공하며, 사전 전문 지식이 없는 개인에 의해서도 신속한 CD34+ 세포 분류를 가능하게 한다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.