fa انقلاب هوش مصنوعی در طبقه‌بندی لکوسیت‌ها: از یادگیری عمیق تا آنالایزرهای هوشمند خون شناسی (هماتولوژی) خون شناسی (هماتولوژی) مروری Review <div style="text-align: justify;"><span style="font-size:14px;"><span style="font-family:Tahoma;"><span style="line-height:150%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span lang="FA"><span style="line-height:150%"><span style="color:black">شناسایی و تمایز لکوسیت‌ها یکی از اساسی‌ترین اقدامات در ارزیابی وضعیت هماتولوژیک افراد به شمار می‌رود. تغییر در تعداد یا مورفولوژی لکوسیت‌ها می‌تواند نشانه طیف وسیعی از بیماری‌ها، از عفونت‌های ساده تا بدخیمی‌های خونی مانند لوسمی، باشد. روش‌های سنتی مبتنی بر بررسی میکروسکوپی اسمیر خون محیطی، علیرغم ارزش تشخیصی بالا، با محدودیت‌هایی نظیر زمان‌بر بودن، وابستگی به مهارت اپراتور و تکرارپذیری محدود مواجه هستند. </span></span></span></span></span></span><br> <span style="line-height:150%"><span style="direction:rtl"><span style="unicode-bidi:embed"><span lang="FA"><span style="line-height:150%"><span style="color:black">در سال‌های اخیر، پیشرفت‌های چشمگیر در حوزه هوش مصنوعی و یادگیری ماشین، افق‌های جدیدی در خودکارسازی این فرآیند گشوده است. ادغام هوش مصنوعی و یادگیری ماشین در طبقه بندی لکوسیت‌ها، انقلابی در هماتولوژی ایجاد کرده است. از الگوریتم‌های کلاسیک بخش بندی و روش‌های استخراج ویژگی تا مدل‌های یادگیری عمیق مانند </span></span></span><span dir="LTR"><span style="line-height:150%"><span style="color:black">U-Net</span></span></span><span lang="FA"><span style="line-height:150%"><span style="color:black">، </span></span></span><span dir="LTR"><span style="line-height:150%"><span style="color:black">Mask R-CNN</span></span></span> <span lang="FA"><span style="line-height:150%"><span style="color:black">و </span></span></span><span dir="LTR"><span style="line-height:150%"><span style="color:black">DeepLabV3</span></span></span><span lang="FA"><span style="line-height:150%"><span style="color:black">+، که دقت تشخیص در آن‌ها به طور قابل توجهی افزایش یافته است. مهم‌تر از همه، ظهور نسل جدید دستگاه‌های </span></span></span><span dir="LTR"><span style="line-height:150%"><span style="color:black">Smart Cell Counter</span></span></span> <span lang="FA"><span style="line-height:150%"><span style="color:black">نشان می‌دهد که هوش مصنوعی از مرحله تحقیق خارج و به عنوان یک ابزار بالینی قدرتمند و ضروری تثبیت شده است.</span></span></span> <span lang="FA"><span style="line-height:150%"><span style="color:black">یافته‌ها نشان می‌دهد که اگرچه چالش‌هایی مانند نیاز به مجموعه داده‌های متنوع‌تر همچنان وجود دارد، هوش مصنوعی با ارائه دقت بالا و کاهش چشمگیر مداخله انسانی، به ابزاری ضروری در هماتولوژی مدرن تبدیل شده است. این فناوری نه تنها زمان و هزینه را کاهش می‌دهد، بلکه با دقت بالا و تکرارپذیری عالی، مسیر را برای تشخیص زودهنگام و دقیق‌تر بیماری‌های خونی هموار می‌کند.</span></span></span></span></span></span></span></span><br> &nbsp;</div> <div style="text-align: justify;"><span style="font-size:14px;"><span style="font-family:Tahoma;"><span style="line-height:normal"><span style="unicode-bidi:embed">Recognition and differentiation of white blood cells (WBCs) are among the most important tasks in clinical laboratories. Qualitative and quantitative changes in WBCs may be associated with a wide spectrum of disorders, ranging from infectious diseases to hematologic malignancies. However, the traditional method based on light microscopy has high diagnostic value, it has several limitations, including being time-consuming, operator-dependent, and having limited repeatability, which make it a challenging approach for routine laboratory practice.</span></span><br> <span style="line-height:normal"><span style="unicode-bidi:embed">In recent years, remarkable progress in artificial intelligence (AI) and machine learning has opened a new window for diagnostic applications in laboratory hematology. The integration of AI and machine learning from classical algorithms in image segmenting and feature extraction algorithms to advanced deep learning models such as U-Net، Mask R-CNN in classification of WBCs, has significantly improved diagnostic precision and revolutionized laboratory hematology.</span></span><br> <span style="line-height:normal"><span style="unicode-bidi:embed">The development of next-generation smart hematology analyzers powered by AI demonstrates that AI is no longer confined to research settings but has become a powerful tool in modern laboratory diagnostics. Although the need for larger and more diverse datasets remains a significant challenge, AI has become an invaluable tool in modern hematology laboratories by improving diagnostic accuracy, reducing human intervention, and enhancing workflow efficiency. This new technology not only reduces time and cost of analysis but also facilitates the more accurate diagnosis of hematological diseases through its high precision and excellent reproducibility.</span></span></span></span><br> <br> &nbsp;</div> هوش مصنوعی, یادگیری ماشین, یادگیری عمیق, اسمیر خون محیطی, فلوسایتومتری, شمارشگر سلولی هوشمند, هماتولوژی, گلبول سفید Artificial intelligence, Machine learning, Deep learning, Peripheral blood smear, Flow cytometry, Smart hematology analyzer, Hematology, White blood cells (WBCs) 27 33 http://labdiagnosis.ir/browse.php?a_code=A-11-25-545&slc_lang=fa&sid=1 Behnaz Tavasoli بهناز توسلی behnaztavasoli@yahoo.com 10031947532846001867 10031947532846001867 Yes Technical Supervisor and Research and Development (R&D) Manager. Rooz Azmoon Technology Company ، ناظر فنی و سرپرست بخش تحقیق و توسعه Zahra Eskandari زهرا اسکندری zhraaeskndrii@gmail.com 10031947532846001868 10031947532846001868 No Department of Hematology, Faculty of Allied Medicine, Bushehr University of Medical Sciences, Bushehr, Iran گروه هماتولوژی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی بوشهر، بوشهر Mahdis Abdar Esfahani مهدیس آبدار اصفهانی maesfahani1992@gmail.com 10031947532846001869 10031947532846001869 No Student Research Committee, Department of Hematology and Blood Banking, School of Allied Medical Sciences, Bushehr University of Medical Sciences, Bushehr, Iran گروه هماتولوژی، دانشکده پیراپزشکی، دانشگاه علوم پزشکی بوشهر، بوشهر