AI 技术破解形态学检验难题，重塑医疗改善体验

xinxi1368

本文内容整理自北京大学第一医院检验科王建中教授专题讲座。

近年来，随着深度学习、机器学习算法和数据库技术的完善，人工智能（AI）技术迎来了发展热潮，为临床诊断提供了有力帮助。未来，人工智能有望在很大程度上重塑医疗保健，改善临床医生和患者的体验。在细胞形态学检查和诊断中也是如此。

AI技术解决形态检测问题

外周血细胞显微镜形态学检查是一种简单、实用、经济的常规检查和诊断技术。血涂片中各种血细胞的形态直接反映了细胞水平上的各种病理因素或相关病理变化。显微镜观察更加具体直观，病理变化特征清晰。因此，外周血细胞形态学检查是临床血液学检查中不可缺少、不可替代的重要方法，是某些疾病形态变化和细胞分类计数的“金标准”。

但目前存在标本采集、推片、染色不规范等诸多问题，制约了外周血形态学检测与诊断的发展；以手工操作为主，血细胞图像无法以信息或数据的形式存储；缺乏有效实用的实验保证方法。 ETC。;导致血细胞形态的价值没有得到充分利用。随着人工智能技术的发展和进步，这种情况有望得到改变。

人工智能技术在外周血细胞形态学领域的应用受益于国内医疗器械的进一步发展。大多数医院使用的血液装配线都采用AI辅助血细胞形态检查。在丰富检查内容的同时，也提升了形态学检查的临床价值。

利用AI技术，扫描单元格或整篇文章后即可追溯相关数据图像。这有效解决了血细胞图像无法以数据形式存储或手工操作时数据的问题。 2019 年《自然机器智能》杂志上发表的一篇文章证明，卷积神经网络在对 18000 个细胞进行深度学习后，分析了急性髓系白血病母细胞的状态。作者认为，AI对于髓系母细胞，特别是急性白血病母细胞的识别可以达到人类的水平。

急性髓系白血病的卷积神经网络系统分析

卷积神经网络（CNN）是一种包含卷积计算并具有深层结构的前馈神经网络（）。它是深度学习（deep）的代表性算法之一。卷积神经网络具有表示学习（ ）的能力，可以根据其层次结构（shift--ant）对输入信息进行分类，因此又被称为“平移不变人工神经网络（Shift--SIANN）”。

创建可应用于临床的有价值的人工智能模型需要大量高质量的数据。 2021年，《血液》杂志发表的另一篇论文显示，研究团队使用超过17万张显微图像的数据集来训练神经网络，以高精度识别骨髓细胞。

通过训练，平均准确率在 80% 左右

此外，AI还可以用于评估病理变化。众所周知，细胞发育异常是骨髓增生异常综合征患者的重要形态学特征。在2020年发表的一篇论文中，研究团队开发了世界上第一个人工智能（AI）系统，用于评估骨髓涂片上血细胞的异常情况，并协助医生诊断“中性粒细胞减少症（DG）”。

AI技术助力疾病识别与诊断

除了识别细胞形态和病理变化外，一些研究成果还揭示了人工智能技术在识别和诊断疾病方面的潜力。骨髓增生异常综合征（MDS）主要根据外周血（PB）和骨髓的形态学检查结果进行诊断。发表在《AA 的鉴别诊断》中的一篇文章提供了 96% 的敏感性和 100% 的特异性。

17 种血细胞类型的“DLS 最后隐藏层”表示的 t-SNE 可视化。

17 种类型的细胞簇被着色并标有细胞类型缩写。

2021年《npj》发表的文章介绍，由于急性早幼粒细胞白血病（APL）作为肿瘤急症，起病急，且易合并DIC（弥散性血管内凝血），因此快速、准确的诊断至关重要。这些患者的临床管理至关重要。相关研究团队可以通过训练深度学习模型并分析与基因组相关的形态变化来诊断急性早幼粒细胞白血病。

从上述文献中我们可以看到，无论是细胞分类、细胞的病理变化，还是基于细胞形态或基因组变化的某些特征，AI技术在疾病的诊断或识别方面都具有巨大的潜力。

AI辅助血细胞形态学发展趋势

所有技术经过深度学习都可以灵活掌握，人工智能技术也是如此。组织血细胞形态学人工智能应用研究技术和方法培训是前提和基础。此外，人工智能在血细胞形态学应用的新技术、新仪器也需要人工智能专业技术人员和检验专业技术人员的配合应用和推广。只有发现并解决临床实际应用中的问题，才能帮助新仪器、新技术进一步发展、走得更远。

规范化、规范化也是需要关注的问题。需要形成血细胞形态人工智能辅助诊断标准、规范和专家共识；建立权威、科学、规范、多样化的形态学数据库；建立基于大视场或全图片图像的人工智能辅助形态学识别、细胞分类以及细胞形态学检测和诊断的质量评价体系；建立全国临床病例讨论网络平台和细胞形态检测诊断远程诊断平台。只有做好这些事情，才能更容易地利用人工智能这个工具来提高血细胞形态诊断的水平。 。

展望未来的前提是解决我们现在面临的问题。对于人工智能技术援助，我们目前面临两个方面的一些问题。首先，对于外周血细胞形态的数字图像分析，目前还存在扫描细胞数量少、速度慢、面积小、分辨率低等问题。如果扫描数据能够从目前的100个/每个标本扩展到1000个/每个标本，全玻片成像（WSI），且时间≤2-3min，数字细胞图像的质量可以接近于细胞的分辨率。显微镜油镜，改进血涂片的制备和染色方式，用喷雾法代替推拉式胶片法，可以提高AI辅助的准确性，减少误报。

在骨髓细胞形态方面，骨髓AI的应用局限性在于载玻片和染色不够标准。如果骨髓是抗凝的，机器可以自动推动载玻片并对整个载玻片进行扫描，可以进一步扩大扫描的细胞数量。 ，提高扫描速度，采用自动审核与人工审核相结合的模式，提高AI辅助准确率，提高检验人员的工作效率。

未来，随着AI学习能力的进一步提升，可能会带来外周血细胞形态学检查和诊断的突破，并逐步取代大部分手动显微镜形态学检查。甚至可以结合临床实际，提供图文解读丰富、检测结果准确、检测诊断清晰的外周血细胞学检测诊断报告。为了推动这一天尽快到来，需要大家共同努力。