人工智能辅助核型分析在细胞遗传学诊断实验室的临床验证研究

《Human Genetics》：Clinical validation of artificial intelligence-assisted karyotyping on peripheral blood in a cytogenetic diagnostic laboratory

本研究针对传统G显带核型分析劳动强度大、依赖专家经验等瓶颈，研究人员开展了人工智能辅助核型分析的临床验证研究。通过对100例外周血样本的回顾性队列分析证实，AI辅助分析使染色体分析时间从33.9分钟显著缩短至6.5分钟（P<0.001），经人工校正后准确率达97%，为细胞遗传学诊断提供了高效精准的新方案。

　　

在临床遗传学诊断领域，G显带染色体分析（G-banded karyotyping）历经半个多世纪的发展，依然是不可替代的基础性诊断技术。这项技术能够通过染色体带型模式在全基因组范围内可视化地诊断染色体疾病，分辨率达到单细胞水平。然而，传统核型分析过程极为耗时耗力，需要经验丰富的细胞遗传学技术人员在显微镜下人工分析中期染色体 spread，并手动排列核型图。随着分子基因组技术的快速发展，如染色体微阵列分析（CMA）、下一代测序（NGS）和光学基因组映射（OGM）等技术层出不穷，但常规染色体分析在检测平衡染色体结构异常、复杂染色体重排和嵌合体异常等方面仍具有独特优势，这些是新技术的盲区。

染色体疾病作为遗传性疾病的重要类别，在早期妊娠丢失（47.4%）、死产（41.9%）、多发先天性畸形儿童（39.3%）以及发育迟缓患者中占据很大比例。此外，染色体异常在不孕症和复发性流产夫妇中也十分常见。在肿瘤诊断领域，染色体分析更是遗传畸变诊断的金标准。面对如此广泛的临床需求，如何提高核型分析的效率和准确性成为亟待解决的问题。

近年来，人工智能技术的迅猛发展为医疗健康领域带来了革命性变化。深度学习技术已在放射学、病理学和遗传检测等医学影像诊断准确性提升方面展现出巨大潜力。例如，一项多中心研究显示，AI辅助成像技术将甲状腺细胞病理学诊断的特异性从88%提高到99%，准确性从87%提升至94%。在核型分析领域，众多计算分类模块被开发用于中期染色体图像分析，卷积神经网络（CNN）或深度神经网络（DNN）算法已被证明能够辅助核型分析。最近，AI技术更是被整合到细胞遗传学分析软件中，实现自动化染色体计数、核型组装和异常检测，为提高临床细胞遗传学分析的效率和准确性提供了新机遇。

尽管AI辅助核型分析的应用前景广阔，但评估其在临床实践中检测先天性染色体异常能力的综合性研究却十分缺乏。这一问题严重阻碍了该技术的临床推广。为此，研究团队开展了一项回顾性队列研究，旨在探索将AI辅助核型分析整合到细胞遗传学实验室临床诊断工作流程的具体方案。

研究人员采用的关键技术方法包括：基于杭州迪格斯生物技术有限公司开发的AI系统，该系统整合了三个核心算法模块——用于染色体分割和计数的Cascade Mask R-CNN、用于染色体分类和核型组装的Varifocal-Net，以及用于检测染色体结构异常的HomNet。研究队列包含2021年至2022年期间的100例外周血样本（50例异常和50例正常），所有样本均达到约550条带水平，确保了分析质量的一致性。

临床验证结果显示，AI辅助核型分析在自动化选择高质量中期图像、组装核型和检测染色体异常方面表现出显著优势。在未经人工校正的情况下，AI分析的总体准确率为71%，敏感性98%，特异性44%，阳性预测值（PPV）64%，阴性预测值（NPV）96%。特异性较低的主要原因是AI将细胞碎片误判为染色体，以及将随机染色体增益或丢失的孤立中期扩散识别为异常，导致假阳性结果。经过人工校正后，性能指标显著提升：准确率97%，敏感性98%，特异性96%，PPV 96%，NPV 98%。这一验证过程证实了经人工校正的AI辅助核型分析与传统核型分析结果高度一致。

效率对比分析更为引人注目。三位经验不同的细胞遗传学技术员分析十个数、分析五个和核型两个中期染色体的平均时间为33.9±2.1分钟，而AI分析70个中期染色体的计数、分析和核型组装仅需6.5±0.5分钟（P<0.001）。技术人员人工审核AI生成的15个代表性核型也仅需7.0±1.0分钟。这表明AI分析显著缩短了实际操作分析时间，有望大幅缩短检测周转时间（TAT）。此外，通过增加分析的中期细胞数量（从常规的30个增至70个），AI辅助分析将嵌合体检测灵敏度从10%提升至5%（95%置信水平），为低比例嵌合体的检出提供了可能。

AI辅助核型分析在临床应用中面临三大挑战。首先是区分细胞碎片与小标记染色体（sSMC）或环状染色体的困难。培养、收获和制片过程中产生的细胞质残留物、间期核、受损细胞以及碎片化染色体、染色杂质等，因其与染色染色质材料相似而难以区分。过度过滤可能导致重要信息丢失，而过滤不足则可能将碎片纳入核型。其次是重叠染色体簇或扭曲折叠染色体的不正确分割和错误分类。即使同一制备中的染色体，其带型分辨率、形状、大小和方向也存在差异，给准确分类带来挑战。第三是识别亚染色体异常和复杂结构异常的能力有限，这主要源于染色体异常形态的多样性和独特性，以及训练数据集中结构异常样本的不足。研究发现，AI辅助分析目前尚无法标记某些罗伯逊易位，如45，XX，der（22；22）（q10；q10）和45，XX，der（15；21）（q10；q10）。

针对这些挑战，研究团队提出了整合AI辅助核型分析的两阶段临床工作流程优化方案。第一阶段，AI准确识别并标记问题核型，引导细胞遗传学家关注潜在异常病例，优化审核流程。第二阶段的人工审核进一步分为三种类型：碎片去除，通过优化细胞培养、收获条件和图像预处理技术，减少背景噪音，同时确保真实sSMC和环状染色体的正确识别，必要时通过荧光原位杂交（FISH）和CMA进行确认；核型错误评估与确认，针对AI未能检测的染色体异常（如相互易位）以及扭曲和重叠染色体的不正确分割，由细胞遗传学家重新评估、分割和识别；真实染色体异常确认，结合CMA、低深度基因组测序（Low-pass GS）和OGM等其他实验室结果，对AI标记的潜在异常中期进行综合判断，形成全面诊断结果。在新工作流程中，每个病例平均需要处理AI标记的3±2个中期图像，经AI分析和人工审核后，结果与传统分析完全一致。

研究结论强调，AI辅助核型分析作为细胞遗传学诊断实验室的半自动化工作流程，展现出高准确性，并具有提高生产力、缩短TAT、增加分析细胞数量和实现更快干预的潜力。虽然时间效率在细胞遗传学诊断中很重要，但准确性和可重复性对患者护理至关重要。目前AI尚不能完全取代细胞遗传学技术人员，但通过结果优先排序和优化，AI辅助分析能使技术人员将专业知识集中在更复杂的异常分析上。这些优势有助于降低成本，使核型分析服务惠及更广泛人群，促进健康公平，减轻医疗系统负担。随着亚太地区核型分析服务市场的快速增长，AI辅助核型分析通过优化速度、效率、成本效益和资源利用，有望满足医疗系统日益增长的需求。

该研究也存在一定局限性。作为一项初步研究，样本量相对较小（100例），且仅针对成人外周血标本的染色体分析，主要涉及相对简单的染色体异常。大规模研究以及在不同样本类型中评估AI辅助核型分析检测更广泛染色体异常能力的研究，对于推动该技术在不同临床应用中的实施至关重要。

这项发表于《Human Genetics》的研究为AI在细胞遗传学诊断领域的应用提供了重要证据，标志着染色体分析技术向智能化、高效化方向迈出了坚实一步。随着技术的不断优化和临床数据的积累，AI辅助核型分析有望成为细胞遗传学实验室的标准配置，为遗传性疾病的精准诊断和个性化治疗提供更强有力的技术支持。