基于显微高光谱成像与多模态深度学习的急性白血病血涂片自动分类方法研究

《Sensors and Actuators B: Chemical》：An Automated Classification Method for Acute Leukemia in Blood Smears Based on Microscopic Hyperspectral Imaging and Multimodal Deep Learning

本文提出了一种融合显微高光谱成像（MHSI）与多模态深度学习的新型框架，通过量化不同白细胞（WBC）类型的比例，实现了正常、急性髓系白血病（AML）和急性淋巴细胞白血病（ALL）血涂片的精准自动分类。该方法利用U2-Net进行单细胞分割，提取细胞光谱特征和63种表型特征，采用Wasserstein生成对抗网络（WGAN-GP）缓解类别不平衡，并通过决策级融合策略在细胞水平达到94.76%的分类准确率，在涂片水平实现100%的准确率，为白血病诊断提供了高效、可解释的自动化解决方案。

　　

Highlight

本研究亮点在于首次将显微高光谱成像（MHSI）技术与深度学习相结合，通过量化不同白细胞（WBC）类型的比例变化，实现了正常、急性髓系白血病（AML）和急性淋巴细胞白血病（ALL）血涂片的精准自动分类。该方法不仅突破了传统全图像分析的局限性，还通过多模态融合策略显著提升了分类性能。

Spectral Analysis of Different Cell Types

图3展示了七种白细胞类型在420–720 nm波长范围内的透射光谱。每条光谱曲线代表了相应细胞类型在各波长下的平均透射率，反映了细胞内成分的选择性吸收和散射行为。阴影区域表示标准差，揭示了光谱测量的变异性。总体而言，各细胞类型的光谱曲线具有良好的重现性，其特征吸收峰和散射模式为细胞分类提供了独特的光谱“指纹”。

Discussion

本研究开发了一种集成MHSI与深度学习的自动诊断框架，通过定量分析不同白细胞类型的比例，实现了正常、AML和ALL血涂片的精准区分。该方法充分利用了单细胞的光谱信息和表型特征，引入WGAN-GP缓解类别不平衡，并系统探索了多种数据融合策略。在外部验证中，模型在细胞水平达到92.90%的准确率，在涂片水平通过量化白细胞比例实现100%的准确率。与现有方法相比，本研究不仅提升了分类精度，还增强了结果的可解释性，为临床白血病诊断提供了更可靠的自动化工具。

Conclusion

本研究介绍了一种结合MHSI与深度学习的自动诊断框架，通过精确量化不同细胞类型的比例，实现了正常、AML和ALL血涂片的高精度分类。利用MHSI技术，我们同步获取了血涂片的光谱和彩色图像，并通过U2-Net模型实现了高质量的单细胞分割。随后，我们提取了420–720 nm范围内的光谱数据和63种表型特征，用于下游分析。