Способ диагностики онкологического заболевания крови Российский патент 2023 года по МПК A61B5/145 G06T7/00 G06N3/02 

Изобретение относится к области медицины и может быть использовано для диагностики минимальной остаточной болезни (МОБ), или минимальной резидуальной болезни (МРБ, Minimal residual diseases) - популяции опухолевых клеток, оставшейся в организме после достижения клинико-гематологической ремиссии (количество бластных клеток в миелограмме менее 5%), и острого лейкоза.

Острый лейкоз - онкологическое заболевание системы крови, основой которого выступают незрелые (бластные) клетки, подавляющие рост нормальных клетки костного мозга, нарушая баланс клеток крови в организме человека. В отсутствиее лечения острый лейкоз приводит к летальному исходу. Современные медицинские технологии позволяют в большинстве случаев острого лейкоза провести успешное лечение. Использование современных медицинских средств приводит к переходу острого лейкоза в фазу ремиссии у 60-80% больных; из них у 20-30% удается добиться полного выздоровления. Чем на более ранней стадии выявлено заболевание, тем успешней результат лечения. Поэтому своевременная диагностика острого лейкоза является актуальной задачей. Во время лечения, когда удается добиться исчезновения проявлений болезни, в костном мозге возможно сохранение остаточных опухолевых клеток, которые могут впоследствии привести к возобновлению заболевания. Поэтому необходим контроль за состоянием системы крови пациента и выявление остаточных опухолевых клеток - минимально остаточной болезни.

Под минимальной остаточной болезнью (МОБ), или минимальной резидуальной болезнью (МРБ, Minimal residual diseases) понимают популяцию опухолевых клеток, оставшуюся в организме после достижения клинико-гематологической ремиссии (количество бластных клеток в миелограмме менее 5%). МОБ является основной причиной рецидивов болезни, и дальнейшая терапия бывает направлена именно на уничтожение остатков опухолевых клеток.

Известно новое лечение острого лимфобластного лейкоза [см. патент РФ №2536940, опубл. 27.12.2014]. Применение блинатумомаба (МТ103) для полученияфармацевтической композиции для лечения, уменьшения интенсивности или устранения острого лимфобластного лейкоза (ALL), где блинатумомаб (МТ103) переводит MRD (минимальное остаточное заболевание) - позитивный острый лимфобластный лейкоз ALL в MRD-негативное состояние ALL. Однако данное изобретение не позволяет проводить контроль минимальной остаточной болезни.

Известен способ определения маркеров наличия опухолевых т-лимфобластов [см. патент РФ №2638800, опубл. 15.12.2017]. Данный способ включает: выделение фракции РВМС из образца пунктата костного мозга пациента с острым лейкозом; выделение геномной ДНК из полученной фракции; мультиплексную полимеразную цепную реакцию с использованием выделенной геномной ДНК в качестве матрицы и олигонуклеотидных праймеров для локусов TRB, последовательности которых представлены в SEQ ID NO 1-10; электрофорез для определения мажорных ПЦР-продуктов; определение количества V(D)J-перестроек, связанных с опухолевыми клонами, по количеству мажорных продуктов мультиплексной ПЦР; элюцию мажорных продуктов мультиплексной ПЦР из агарозного геля; секвенирование по Сэнгеру элюированных продуктов мультиплексной ПЦР для определения последовательностей V(D)J-перестроек генов TRB, содержащихся в мажорных продуктах мультиплексной ПЦР, где установленные секвенированием последовательности V(D)J-перестроек генов ТRВ являются идентифицированными маркерами наличия опухолевых Т-лимфобластов. Однако он не позволяет анализировать структуру хроматина ядер и наличие бластов в препарате костного мозга, являющихся важным признаком контроля МОБ.

Известен способ и устройство для проточной цитометрии без обжимающей текучей среды [см. патент РФ №2511065, опуб. 10.04.2011].

Предложенный способ заключается в том, что используют метод измерения импеданса для идентификации частиц, имеющих траекторию, которая не пересекла предварительно заданную оптическую измерительную зону, чтобы анализировать упомянутые частицы отдельно, с исключением, тем самым, применения обжимающих текучих сред для направления частиц к измерительной зоне. Однако данный способ не позволяет анализировать препараты пунктата костного мозга совместно с данными проточной цитофлюорометрией.

Основной проблемой, влияющей на бессобытийную выживаемость при острых лейкозах, является рецидивы заболевания, в основе развития которых лежит нерадикальная элиминация опухолевого клона. Наличие МОБ после проведенного этапа химиотерапии является независимым прогностически неблагоприятным фактором, который используется как дополнительный критерий для определения тактики противоопухолевого лечения. На этом этапе становится важным и актуальным - не пропустить один из неблагоприятных факторов, ухудшающих безрецидивную выживаемость - наличие положительного уровня МОБ. МОБ является основной причиной рецидивов болезни, и дальнейшая терапия бывает направлена именно на уничтожение остатков опухолевых клеток

Технический результат предлагаемого изобретения заключается в повышении точности выявления и диагностики онкологического заболевания крови за счет интеграции систем интеллектуальной компьютерной микроскопии и лазерной проточной цитофлуориметрии, где распознавание изображений выполняется на основе сформированной референсной базы знаний, а также повышение надежности и быстроты распознавания структуры крови и костного мозга за счет использования различных отдельный нейронных сетей.

Указанный результат достигается тем, что предлагается способ распознавания структуры крови и костного мозга для диагностики онкологического заболевания крови с помощью предварительно обученной нейронной сети, состоящего из этапов, на которых осуществляют

подготовку двух образцов, включающих мазок крови и мазок костного мозга, для проточной цитометрии и микроскопического исследования, проведение световой микроскопии окрашенных мазков периферической крови по Романовскому-Маю-Грюнвальду

проведение световой микроскопии окрашенных мазков костного мозга для получения изображений клеток костного мозга,

с помощью первой отдельной обученной нейронной сети, характеризующей использование сверточной нейронной сети, осуществляют выделение на изображении лейкоцитов, обнаружение области ядра клетки, проведение измерений на изображениях ядер клеток крови, классификация клеток и получение их бинарного изображения, а также на бинарном изображении лейкоцитов последовательным сканированием проводят процедуру заполнения пустот, а также осуществляют подсчет процентного соотношения различных видов лейкоцитов среди 100 клеток белой крови,

далее с помощью второй отдельной и независимой от первой обученной нейронной сети, характеризующие использование сверточной нейронной сети, осуществляют распознавание клеток костного мозга путем сравнения их с образцовыми изображениями клеток и построение клеточного состава костного мозга, включающего такие характеристики, при этом распознают клетки костного мозга, относящиеся к бластам, лимфоцитам, метамиелоцитам, моноцитам, миелоцитам, нормобластам, палочкоядерным нейтрофилам, сегментоядерным нейтрофилам, а именно:

- ретикулярные клетки бласты

- миелобласты

- нейтрофилы эозинофилы базофилы

- эритробласты

- пронормобласты

- нормобласты

- эритроидные элементы моноциты

- лимфоциты плазматические клетки,

выполнение анализа костного мозга с применением цитохимических маркерных реакций на гранулоцитарный и моноцитарный ряды гемопоэза и иммунофенотипического исследования с помощью проточной лазерной цитофлюорометрии, в котором используется набор диагностических антител для определения направленности дифференцировки клеток и установления стадии созревания бластов,

сопоставление полученных результатов от первой и второй обученных нейронных сетей микроскопического анализа костного мозга, процентного соотношения лейкоцитов и миелограммы с результатами клинических исследований, хранящихся в базе данных посредством третьей нейронной сети, характеризующей «Деревья решений», для диагностики заболевания путем нахождения наиболее релевантного случая в клинических исследованиях.

Заявленное изобретение поясняется чертежами:

на фиг. 1 изображена схема диагностики острых лейкозов и минимальной остаточной болезни на основе компьютерной микроскопии и проточной лазерной цитофлюориметрии с применением технологий искусственного интеллекта;

на фиг. 2 - примеры изображений клеток костного мозга.

на фиг. 3 - пример обучений используемых нейронных сетей.

Далее будет подробно изложено осуществление заявленного изобретения.

Сверточная нейронная сеть (convolutional neural network, CNN) - специальная архитектура искусственных нейронных сетей, нацеленная на эффективное распознавание изображений, и входящая в состав технологий глубокого обучения (deep learning).

Глубокое обучение характеризуется, как класс алгоритмов машинного обучения, который:

- использует многослойную систему нелинейных фильтров для извлечения признаков с преобразованиями. Каждый последующий слой получает на входе выходные данные предыдущего слоя. Система глубокого обучения может сочетать алгоритмы обучения с учителем и без учителя, при этом поиск клеток и их дальнейшая классификация - обучение с учителем;

- обладает несколькими слоями выявления признаков или параметров представления данных. При этом признаки организованы иерархически, признаки более высокого уровня являются производными от признаков более низкого уровня;

- является частью более широкой области машинного обучения изучения представлений данных;

- формирует в процессе обучения слои на нескольких уровнях представлений, которые соответствуют различным уровням абстракции; слои образуют иерархию понятий.

Сверточные нейронные сети (Convolutional neural network, CNN), используемые в настоящем изобретении в качестве анализа мазков крови и костного мозга, состоят из слоев пяти типов:

входного;

свертывающего;

объединяющего;

подключенного;

выходного.

Каждый слой выполняет определенную задачу: например, обобщает или соединяет данные.

Нейронные сети вида «Деревья решений», используемые в настоящем изобретении в качестве средства для диагностики заболевания путем нахождения наиболее релевантного случая в клинических исследованиях, относятся к методам поиска логических закономерностей в данных, а также являются основным подходом, применимым в теории принятия решений, и представляют собой иерархическую структуру классифицирующих правил типа if-then (если-то), имеющих вид дерева. Их основным достоинством является простота и наглядность описания процесса принятия решения. Недостатком их использования в задаче поиска логических закономерностей является то обстоятельство, что они не способны находить наиболее полные и точные правила в данных и реализуют простейший принцип последовательного просмотра признаков и формируют лишь фрагменты закономерностей. Также при больших объемах многомерных данных алгоритмы построения деревьев решений могут выдавать очень сложную структуру деревьев, которые имеют много узлов и ветвей. А такие деревья бывает очень трудно проанализировать и понять; соответственно, правила и закономерности, выявленные из данных таким деревом, будут сложны для восприятия. К тому же ветвистое дерево, имеющее много узлов, разбивает обучающее множество на большое количество подмножеств, состоящих из малого количества объектов. Тогда как гораздо предпочтительнее иметь дерево, состоящее из малого количества узлов, которым соответствует большое количество объектов из обучающей выборки. Для решения данной проблемы часто применяются алгоритмы отсечения ветвей, но они не всегда могут привести к желаемому результату. Однако, методы выделения закономерностей с помощью деревьев решений позволяют находить такие связи, которые заключены не только в отдельных признаках, но и в сочетании признаков, что во многих случаях дает этим методам значительное преимущество по сравнению с классическими методами многомерного анализа.

Правила, выражающие закономерности, формулируются в виде продукций: «ЕСЛИ А ТО В» или в случае множества условий: «ЕСЛИ (условие 1) ^ (условие 2) ^… ^ (условие N) ТО (Значение вершины вывода)». Построение деревьев решений осуществляется на основе экспертных оценок с использованием алгоритмов обработки примеров (CLS, ID3 (Interactive Dichotomizes), С4.5, CART (classification and regression trees) и др.).

Далее, основой диагностики заболевания крови, в частности острых лейкозов, является оценка морфологии клеток периферической крови и костного мозга. Это исследование выполняется методом световой микроскопии окрашенных мазков крови и костного мозга. При исследовании препаратов крови подсчитывается процентное соотношение различных видов лейкоцитов среди 100 клеток белой крови (лейкоцитарная формула). Анализ препаратов костного мозга строится на подсчете процентного содержания различных видов ядросодержащих клеток костного мозга -миелограмма (как правило, исследуется 200-500 клеток).

При световой микроскопии существенную роль играет точная оценка ряда параметров бластов, к которым относятся: форма и размер клеток, очертания ядер, особенности строения хроматина (тонкопетлистая, глыбчатая и плотная структура).

Использование световой микроскопии в сочетании с компьютерной обработкой данных позволяет объективировать полученные данные в виде числовых индексов и улучшить дифференциальную диагностику острых лейкозов.

Разработка и применение новых методов уточняющих морфологическую характеристику лимфоидных элементов в настоящее время является актуальной научно-технической задачей. В последнее время предпринимаются многочисленные попытки автоматизировать микроскопические исследования для повышения точности обнаружения «юных» форм клеток.

С целью подтверждения и идентификации разновидности острого лейкоза выполняется анализ костного мозга с цитохимическим и иммунофенотипическим исследованиями. Цитохимические маркерные реакции и иммунофенотипирование бластных клеток позволяют точно установить форму острого лейкоза. При необходимости дополнительно проводят цитогенетический, молекулярно-генетический анализ опухолевых клеток и др. методы исследования.

Цитохимическое исследование включает анализ маркеров гранулоцитарного и моноцитарного рядов гемопоэза. Они позволяют дифференцировать острые лимфобластные лейкозы от миелоидных лейкозов. Однако этот метод не является достаточным в большинстве случаев.

Иммунофенотипическое исследование основано на изучении антигенной структуры бластов с помощью проточной лазерной цитофлюорометрии. Этот метод основан на прохождении клеток через кювету с антителами и дальнейшим воздействием на клетки лазерного пучка. В результате объект светится, его излучение автоматически регистрируется. На основе данного свечения клетки классифицируются по типам.

Использование широкого набора диагностических антител позволяет определить направленность дифференцировки клеток и установить стадию созревания бластов. Анализ результатов иммунофенотипирования с учетом морфологических и цитохимических показателей, дает возможность определить степень дифференцировки бластов. В настоящее время метод проточной лазерной цитофлюорометрии принято считать наиболее быстрым и простым способом выявления МОБ. Наибольшую ценность метод имеет при Т- и В-линейных острых лимфобластных лейкозах (ОЛЛ).

Таким образом, основными методами исследования при диагнозе острого лейкоза и минимально остаточной болезни являются цитологическое и цитохимическое исследования мазков костного мозга и периферической крови (с применением светового микроскопа) и иммунофенотипирование клеток костного мозга (с применением мультипараметрического проточного лазерного цитофлюориметра). Дополнительно могут проводиться цитогенетические, молекулярно-генетические исследования и др.

Для повышения точности диагностики необходимо фиксировать в базе знаний результаты выполненных исследований. Чтобы накопленные знания и опыт высококвалифицированных врачей-экспертов эффективно использовать в сложных случаях диагностики. Создание интегрированной системы, которая включала бы результаты различных видов исследований (морфометрии, цитохимии, проточной лазерной цитофлюориметрии, а также при необходимости дополнительных цитогенетических и молекулярно-генетических исследований) позволит оперативно проводить сопоставление этих данных и в сложных случаях находить похожие случаи, ранее проведенных исследований, получивших верификацию по результатам ретроспективного анализа клинических случаев. Кроме того для разработки системы распознавания клеток крови и костного мозга необходима эталонная база микроскопических изображений. Наряду с использованием указанной базы для исследований ее можно использовать как для обучения студентов-медиков и повышения квалификации врачей, так и применять в клинической практике, повышая точность диагностики при оценке врачом клеток неизвестного типа, за счет сравнения с референсными данными, хранящимися в базе знаний.

Проведенный краткий обзор работ показывает, что одной из нерешенных ключевых проблем является создание интегрированной системы диагностики острых лейкозов и минимально остаточной болезни на основе компьютерной микроскопии и проточной лазерной цитофлюориметрии для повышения точности диагностики острых лейкозов и минимальной остаточной болезни.

На фиг. 1 показана разработанная концептуальная модель интегрированной системы диагностики острых лейкозов и минимальной остаточной болезни на основе компьютерной микроскопии и проточной лазерной цитофлюориметрии с применением технологий нейронных сетей. Она объединяет две базы знаний - базу знаний клинических случаев и базу знаний эталонных изображений клеток костного мозга. В первой базе записаны данные о пациентах (истории болезни), в том числе результаты широко используемых при диагностике острых лейкозов методов исследования - морфологического (микроскопического анализа мазков периферической крови и костного мозга), цитохимического и имунофенотипического. При построении миелограммы используется база знаний, содержащая эталонные изображения костного мозга и модуль распознавания клеток на изображениях препаратов костного мозга (на основе применения технологий искусственного интеллекта).

Таблица 1 иллюстрирует пример клеточного состава костного мозга (миелограмму) в норме.

В сформированной выборке представлены результаты исследований 48 больных с подтвержденным диагнозом «острый лейкоз». Объектами системы распознавания являются лейкоциты на изображениях препаратов мазков периферической крови и костного мозга.

На изображениях препаратов крови и костного мозга могут располагаться следующие типы объектов: эритроциты; тромбоциты; артефакты, не относящиеся к элементам крови, а внесенные извне или образовавшиеся в ходе работы с препаратом. Наиболее разнообразными по форме и текстуре являются лейкоциты, на основе характеристик ядер которых проводится диагностика острых лейкозов.

Разработанная специалистами Кафедры компьютерных медицинских систем Национального исследовательского ядерного университета «МИФИ» база знаний содержит описание 12960 клеток. Выборка включает следующие типы клеток (см. фиг. 2): бласты (лимфобласт), промиелоцит (нейтрофильный), миелоцит (нейтрофильный), метамиелоцит, палочкоядерный нейтрофил, сегментноядерный нейтрофил, эозинофил, базофил, моноцит, лимфоцит, плазматическая клетка, нормобласт, мегакариоцит. Объем изображений препаратов костного мозга в базе знаний от 48 пациентов - 28.5 ГБ.

Распознавание типов клеток (морфологический анализ) для диагностики острых лейкозов и минимальной остаточной болезни реализуется обученной сверточной нейронной сетью по следующей схеме: регистрация изображений с датчика, предобработка микроскопических изображений, выделение лейкоцитов (сегментация), обнаружение области ядра клетки, проведение измерений на изображениях ядер клеток крови (описание), классификация клеток.

Предложена модель интегрированной информационно-измерительной системы диагностики острых лейкозов и минимальной остаточной болезни на основе компьютерной микроскопии и проточной лазерной цитофлюориметрии, которая объединяет в единую систему данные клинических случаев и базу знаний «Эталонные изображения клеток костного мозга» с модулем распознавания клеток. Модуль распознавания используется при построении миелограммы. Интеграция в единой системе базы знаний клинических случаев и базы знаний эталонных изображений способствует повышению точности и оперативности принятия диагностических решений.

Применение модуля распознавания клеток призвано обеспечить повышение объективности классификации клеток крови, а использование базы эталонных изображений - повышение точности диагностики. Кроме того, предложенная архитектура интегрированной информационно-измерительной системы диагностики острых лейкозов и минимальной остаточной болезни на основе компьютерной микроскопии и проточной лазерной цитофлюориметрии может использоваться при обучении студентов медицинских вузов и при повышении квалификации врачей.

Предложенный способ диагностики создан на основе успешного опыта авторов в области разработки и внедрения клинических систем онкогематологии с применением технологий искусственного интеллекта.

Разработана концептуальная модель новой интегрированной информационно-измерительной системы диагностики острых лейкозов и минимальной остаточной болезни на основе компьютерной микроскопии и проточной лазерной цитофлюорометрии с применением технологий искусственного интеллекта. Модель основана на объединении данных эталонных изображений клеток костного мозга, полученных в подсистеме компьютерной микроскопии, и результатов проточной лазерной цитофлюорометрии при проведении процедур диагностики острых лейкозов и минимальной остаточной болезни. В результате в руках врача сосредоточены все необходимые данные о пациенте на единой аппаратно-программной платформе. Отличительной особенностью подсистемы компьютерной микроскопии является применение автоматической классификации изображений клеток костного мозга. Такая архитектура позволяет повысить объективность диагностики острого лейкоза и минимальной остаточной болезни.

При этом для обучения нейронных сетей составляется обучающая выборка входных и выходных сигналов, соответствующая отчетным параметрам, отражающим характеристики клеток. Выборка делится на две части: рабочую выборку (на основе которой производится собственно обучение) и тестирующую выборку (для проверки качества обучения). Обучение сети на «сыром» наборе, как правило, не дает качественных результатов. Существует ряд способов улучшить «восприятие» сети, например, нормировка, которая выполняется, когда на различные входы подаются данные разной размерности (на первый вход сети подаются величины со значениями от нуля до единицы, а на второй - от ста до тысячи) Обучающие выборки формировались из сертифицированных баз данных: банка изображений американского общества гематологов (American Society of Hematology-https://imagebank.hematology.org/) и электронного атласа гематологии, доступных на сайте: http://hematologyatlas.com/. Кроме того, в качестве обучающих выборок использовался набор из 150 здоровых доноров отделения переливания крови, вторую - 150 больных острым лейкозом.

В рамках реализации заявленного изобретения были проведены исследования качества классификации разработанной интеллектуальной системы классификации форменных элементов крови в сравнении с существующими программными комплексами анализа изображений.

Принцип обучения нейронной сети и его пример представлен на Фиг. 3.

Нейронная модель построена на основании положительного опыта практического взаимодействия Кафедры компьютерных медицинских систем Национального исследовательского ядерного университета «МИФИ» и Лаборатории иммунологии гемопоэза Национального медицинского исследовательского центра онкологии им. Н.Н. Блохина в области применения технологий искусственного интеллекта в онкогематологии. Система может использоваться при обучении студентов медицинских вузов и повышении квалификации врачей.

Пример 1

Подготовительный этап использования способа

Подготавливается пробирка с материалом от больного, из которого готовится два образца для проточной цитометрии и микроскопического исследования, в итоге формируется посредством сверточных нейронных сетей миелограмма и результаты иммунофенотипического исследования, которые представлены в виде данных на машиночитаемом носителе. Далее препарат костного мозга устанавливается на предметный столик микроскопа, для получения цифровых изображений, и рассчитываются характеристики посредством сверточной нейронной сети для анализа поступивших изображений, для сопоставления с данными, записанными на машиночитаемом носителе, выполняется сопоставление со схожими показателями, записанными в базе данных, для постановки диагноза, который наиболее реоевантнем к данному случаю посредством нейронной сети по типу «деревья решений» и врачу предоставляется результат предварительного диагноза для принятия окончательного решения, который указал, что у больного обнаружен острый лейкоз.

Пример использования 2:

У пациента в ходе первичного обследования выявлены возможные симптомы заболевания острый лейкоз.

По результатам анализа препарата крови обнаружены неидентифицированные клетки. Для определения диагноза приготовлен препарат -мазок костного мозга. Окраска Романовскому-Маю-Грюнвальду. После использования нейронных сетей согласно настоящему изобретению установлен возможный диагноз - острый лейкоз. Время затрачено 20 мин.

Для подтверждения диагноза и определения варианта лейкоза также проводят иммунофенотипирование для подтверждения диагноза и определения дальнейшего тактики лечения. Время затрачено 12 часов.

Компьютерная микроскопия с применением компьютерного анализа с возможностью сопоставления с данными иммунофенотипирования позволило интенсифицировать время принятия решения, а также проводился контроль минимальной остаточной болезни, в ходе которого осуществлялся контроль количество незрелых клеток (бластов), количество которых не должно превышать 5%. Подготовка препарата проводилось по тому же протоколу. Окраска по Романовскому-Маю-Грюнвальду. Время затрачено 8 часов.

Изобретение относится к области медицины и может быть использовано для диагностики минимальной остаточной болезни (МОБ) или минимальной резидуальной болезни (МРБ, Minimal residual diseases) - популяции опухолевых клеток, оставшейся в организме после достижения клинико-гематологической ремиссии (количество бластных клеток в миелограмме менее 5%) и острого лейкоза. Предлагается способ диагностики онкологического заболевания крови, заключающийся в проведении микроскопического анализа мазков периферической крови для определения формулы крови; проведении микроскопического анализа мазков костного мозга для получения изображений клеток костного мозга, распознавание клеток костного мозга путем сравнения их с образцовыми изображениями клеток и построение миелограммы; выполнении анализа костного мозга с применением цитохимических маркерных реакций на гранулоцитарный и моноцитарный ряды гемопоэза и иммунофенотипического исследования с помощью проточной лазерной цитофлюорометрии, в котором используется набор диагностических антител для определения направленности дифференцировки клеток и установления стадии созревания бластов и сопоставления полученных результатов микроскопического анализа костного мозга, формулы крови и миелограммы с результатами ранее выполняемых исследований, хранящихся в базе данных, для диагностики заболевания. Изобретение обеспечивает повышение точности выявления и диагностики онкологического заболевания крови. 3 ил.

Способ распознавания структуры крови и костного мозга, в котором осуществляют диагностику онкологического заболевания крови с помощью предварительно обученных нейронных сетей, посредством этапов, на которых осуществляют:

подготовку двух образцов, включающих мазок крови и мазок костного мозга, для проточной цитометрии и микроскопического исследования, проведение световой микроскопии окрашенных мазков периферической крови по Романовскому-Маю-Грюнвальду,

проведение световой микроскопии окрашенных мазков костного мозга для получения изображений клеток костного мозга,

с помощью первой отдельной обученной нейронной сети, характеризующей использование сверточной нейронной сети, осуществляют выделение на изображении лейкоцитов, обнаружение области ядра клетки, проведение измерений на изображениях ядер клеток крови, классификацию клеток и получение их бинарного изображения, а также на бинарном изображении лейкоцитов последовательным сканированием проводят процедуру заполнения пустот, а также осуществляют подсчет процентного соотношения различных видов лейкоцитов среди 100 клеток белой крови,

далее с помощью второй отдельной и независимой от первой обученной нейронной сети, характеризующих использование сверточной нейронной сети, осуществляют распознавание клеток костного мозга путем сравнения их с образцовыми изображениями клеток и построение клеточного состава костного мозга, включающего такие характеристики, при этом распознают клетки костного мозга, относящиеся к бластам, лимфоцитам, метамиелоцитам, моноцитам, миелоцитам, нормобластам, палочкоядерным нейтрофилам, сегментоядерным нейтрофилам, а именно:

- ретикулярные клетки,

- бласты,

- миелобласты,

- нейтрофилы,

- эозинофилы,

- базофилы,

- эритробласты,

- пронормобласты,

- нормобласты,

- эритроидные элементы,

- моноциты,

- лимфоциты,

- плазматические клетки,

выполнение анализа костного мозга с применением цитохимических маркерных реакций на гранулоцитарный и моноцитарный ряды гемопоэза и иммунофенотипического исследования с помощью проточной лазерной цитофлюорометрии, в котором используется набор диагностических антител для определения направленности дифференцировки клеток и установления стадии созревания бластов,

сопоставление полученных результатов от первой и второй обученных нейронных сетей микроскопического анализа костного мозга, процентного соотношения лейкоцитов и миелограммы с результатами клинических исследований, хранящихся в базе данных, посредством третьей нейронной сети, характеризующей «Деревья решений», для диагностики заболевания путем нахождения наиболее релевантного случая в клинических исследованиях.