研究人员开发机器学习新工具有助于识别血栓形成原因

日本一研究团队开发出一种机器学习新工具可以根据血块形状的细微差别来区分不同类型血栓成因。

该工具可以帮助医生诊断是什么原因导致的血栓，并帮助他们选择一种针对病因的治疗方法来打破血栓。例如，该工具可以帮助医生确定是否阿司匹林或另一种抗凝血药物是否是刚刚发生过心脏病或中风的人的最佳选择。

当血小板聚集在一起时，就会出现血栓。这有助于伤口后止血，但也可能通过阻塞血管造成中风或心脏病发作。”不同类型的血凝块是由不同的分子引起的，但它们看起来都非常相似，”该研究的主要负责人解释说。”更重要的是，用现有的显微镜等工具几乎无法将它们区分开来。”

为了开发出一种更有效的方法来识别不同类型的血块，研究人员从健康人身上提取了血液样本，然后将其暴露在不同的凝血剂中。该团队使用一种名为高通量成像流式细胞仪的技术捕捉到了数千张不同类型血栓的图像。

接下来，他们使用一种叫做卷积神经网络的机器学习技术，训练计算机来识别不同类型的凝血块形状的微妙差异，由不同的分子引起的不同类型的凝血块。他们在2.5万5千张凝块图像上测试了这个工具，发现它也能分辨出图像中的大部分凝块类型。

最后，研究团队测试了这个被他们命名为智能血小板聚集分类器（iPAC）的新工具是否能够诊断出人类血液样本中的不同血栓类型。他们从4个健康人的血液样本中抽取了4个健康人的血液样本，让他们暴露在不同的凝血剂中，结果显示iPAC可以分辨出不同类型的血块。

研究表明，iPAC是研究凝血块形成基本机制的有力工具。鉴于最近有报道称COVID-19会导致血凝块，尽管目前关于该病毒的许多内容仍不为人所知，但该技术有朝一日也可以用来更好地了解这些血凝块背后的机制。

使用这种新工具可能会发现以前人类无法识别的不同类型血栓特征，并能够诊断出由凝血剂组合引起的血栓，关于血栓形成原因的信息可以帮助研究人员和医生评估抗血栓药物的有效性，并为特定患者选择正确治疗方法，或者说组合治疗。

下载这项技术成果