每天，医学实验室或诊所等机构都要对数百万个单细胞的诊断工作。大部分重复性工作仍由受过训练的细胞学家手动完成，他们通过检查染色涂片中的细胞并将其分为大约15个不同类别。为了顺利完成上述工作，需要具备专业知识且训练有素的细胞学家。
为了提高细胞分类以及检测效率，Helmholtz Zentrum München和慕尼黑LMU大学医院的一组研究人员“训练”了一个具有近20,000个单细胞图像的深层神经元网络。在这项研究中，来自Helmholtz ZentrumMünchen的计算生物学研究所的Carsten Marr博士与Christian Matek博士以及来自LMU慕尼黑大学医院的med Karsten Spiekermann和Simone Schwarz教授对 100例患有侵袭性血液病AML的患者和100例对照志愿者的血液涂片中提取了相关的图像并且进行分析。通过比较其与人类专家的检测准确性，从而评估AI驱动的检测方法的效果。结果表明，由AI驱动的解决方案能够取得与训练有素的细胞学家一样好的成绩。
用于图像处理的深度学习算法需要两件事：首先，具有数十万个参数的，适当的卷积神经网络架构；第二，足够大量的训练数据。到目前为止，尽管临床上普遍使用了这些样本，但尚无大型数字化血液涂片数据集合。Helmholtz ZentrumMünchen的研究小组现在提供了该类型的第一个大型数据集。目前，Marr和他的团队正在与LMU慕尼黑大学医院的第三医学系以及欧洲最大的白血病实验室之一慕尼黑白血病实验室（MLL）紧密合作，以数字化呈现数百种患者血液涂片的更多信息。
“要把我们的方法转化为诊断机构的常规检测手段，病人血液样本的数字化必须首先实现。通过对来自不同来源的样本进行算法训练，以应对样本制备和染色中固有的异质性。”
