利用迁移学习方法进行免疫固定电泳图像解读

《Clinica Chimica Acta》：Immunofixation electrophoresis image interpretation using transfer learning method

本研究旨在开发基于深度学习的免疫固定电泳（IFE）图像分析模型，以快速准确分类单克隆蛋白。采用迁移学习的YOLOv11架构，数据集包含5226张来自Kocaeli大学医院的标签图像，分为80%训练和20%测试。两阶段模型（94.76%二分类准确率，91.28%亚类分类）和多阶段单模型（92.12%准确率）均表现出高可靠性，但对低频或相似亚型分类效果较差。结论表明，模型能有效辅助实验室诊断，未来需扩展数据集并优化稀有亚型分类。

　　免疫固定电泳（Immunofixation Electrophoresis, IFE）是一种在浆细胞病变中识别单株蛋白的关键技术，长期以来被认为是金标准。然而，该技术的解读过程复杂、耗时，并且容易受到观察者之间主观差异的影响。因此，开发能够快速准确解读IFE图像的深度学习模型，有助于减少诊断过程中的主观性，提高效率和标准化程度。本文探讨了两种不同的深度学习分类策略，并结合迁移学习方法，特别是YOLOv11架构，以提升模型在不同类别上的识别能力。研究结果表明，这两种方法在识别主要的单株蛋白模式方面表现优异，但在某些较少见或视觉上相似的类别中仍存在一定的局限性。通过扩展数据集并优化低频率类别的识别方法，可以进一步提高模型的性能和适用性。

在临床实践中，单株蛋白的存在通常与浆细胞病变相关，例如多发性骨髓瘤。这些病变的发病率随年龄增长而上升，因此对免疫固定电泳技术的需求也在不断增加。免疫球蛋白（Ig）是由浆细胞合成的糖蛋白，由两条重链和两条轻链组成。重链有五种类型：γ、α、μ、δ和ε，与不同的轻链结合后形成免疫球蛋白的不同类别，如IgG、IgA、IgM、IgD和IgE。轻链分为两种类型：κ（ kappa）和λ（lambda），根据其恒定区域的差异进行区分。每个免疫球蛋白只能包含κ或λ轻链中的一种，不能同时存在两种。在正常生理状态下，κ和λ轻链的生成是平衡的，其血清游离κ/λ比值通常在0.26到1.65之间，反映了生成和清除的速率相近。然而，在慢性肾功能衰竭的情况下，这一比值可能会升高至约1.8，因为肾脏对两种轻链的清除能力都下降。

在浆细胞病变中，浆细胞会异常地产生同质的免疫球蛋白，这些蛋白被称为单株蛋白或浆细胞蛋白（M-protein）。临床实践中，通常建议使用血清蛋白电泳（Serum Protein Electrophoresis, SPE）作为初步筛查方法，因为它能够检测出可能提示单株蛋白存在的M峰。当SPE检测到异常或可疑的条带时，进一步进行免疫固定电泳（IFE）以确认单株蛋白的存在并确定其类型。此外，将血清游离轻链（sFLC）检测纳入初步筛查面板也是推荐的，因为结合使用SPE、IFE和sFLC能够显著提高诊断的敏感性，特别是对于那些无法通过SPE单独检测出的轻链单株蛋白或低水平单株成分。

虽然免疫固定电泳在单株蛋白的识别中是基础技术，但其准确解读在很大程度上依赖于实验室专业人员的经验。无论是分析过程还是解读过程，都需要专门的培训，因为每个电泳图谱都需要由合格的人员仔细评估。因此，由于不同实验室人员的经验差异，可能会出现解读结果的不一致性。这种不一致性不仅影响诊断的准确性，还可能导致工作流程的延迟。因此，开发一个自动化或基于人工智能的系统，用于辅助IFE图像的解读，可以显著提高诊断效率和标准化程度。

近年来，深度学习技术在医学领域的应用日益广泛，尤其是在实验室医学中，基于深度学习的解决方案数量持续增长。对于像IFE这样的技术，由于其解读过程复杂，深度学习技术的应用具有特别的潜力。通过减少主观判断和最小化观察者之间的差异，人工智能可以实现更一致和可重复的检测结果。此外，这些技术在时间管理方面也具有显著优势，可以减轻实验室专业人员的工作负担，提高整体工作效率。

本文提出了一种深度学习算法，旨在准确且快速地识别IFE图像中的主要模式及其可能的组合。具体来说，该算法能够识别八种主要的IFE模式：IgA-κ（AK）、IgA-λ（AL）、IgG-κ（GK）、IgG-λ（GL）、IgM-κ（MK）、IgM-λ（ML）、游离κ（K）和游离λ（L），以及它们的组合。为了确定如何将这些组合纳入模型，我们根据数据集中可用示例的数量进行了分析。当有足够的示例时，相关组合被作为独立类别纳入模型，以提高识别的准确性。

本研究使用的数据来源于Kocaeli大学医院，构成了一个独特的数据集，此前在该领域中尚未被使用过。此外，本文是首次将基于迁移学习的方法应用于IFE图像分析，特别是YOLO（You Only Look Once）架构。选择迁移学习方法的原因在于，它可以在数据集中示例较少的类别上保持较高的预测准确性，同时增加整体类别数量，从而提高模型的泛化能力。YOLO是一种流行的实时目标检测算法，以其高效性和准确性著称。通过将YOLO架构应用于IFE图像分析，我们能够在较短的时间内完成对图像的识别，同时保持较高的检测精度。

在实验过程中，我们采用了两种不同的分类策略。第一种策略是两阶段模型（Approach-1），其中第一阶段进行二分类，判断图像是否为阳性或阴性。对于被判定为阳性的图像，将其输入到第二阶段的多分类模型中，以确定具体的免疫球蛋白和轻链类型。第二种策略是单阶段多分类模型（Approach-2），直接对图像进行多分类，识别所有可能的类别，包括主要模式及其组合。通过对比这两种方法，我们发现Approach-1在二分类和子类识别方面分别达到了94.76%和91.28%的准确率，而Approach-2在整体准确率上略高，为92.12%。两种模型在识别主要的单株蛋白模式（如IgG-κ、IgA-λ）方面表现优异，但在识别一些较少见或视觉上相似的类别（如IgM-λ、游离κ）时则存在一定的局限性。

混淆矩阵分析进一步揭示了这两种方法的表现。结果显示，两种方法在主要模式的识别上都取得了较高的准确率，但在视觉上相似的类别之间更容易出现误分类，而在表示频率较低的类别上识别效果较差。这表明，尽管迁移学习方法在提高模型性能方面具有优势，但在处理数据分布不均的情况时仍需进一步优化。为了提高模型在低频率类别上的识别能力，未来的研究需要考虑扩展数据集，以包括更多的罕见模式，并探索改进低频率类别识别的方法。

此外，本文的研究具有重要的临床意义。通过引入基于深度学习的图像分析系统，可以显著提高IFE结果的解读效率，减少人工操作的时间和精力。同时，这样的系统能够降低不同观察者之间的主观差异，提高诊断结果的一致性和可重复性。对于实验室医学来说，这不仅有助于提高工作效率，还能提升诊断的准确性，特别是在处理复杂的病例时。

本研究的成果表明，深度学习技术在IFE图像分析中具有广阔的应用前景。通过结合迁移学习方法，可以有效利用已有的数据，提高模型在不同类别上的识别能力。此外，本文提出的两种分类策略各有优势，其中Approach-1在可解释性方面可能更具优势，而Approach-2则在可扩展性和效率方面表现更好。因此，在实际应用中，可以根据具体需求选择适合的分类策略，以实现最佳的诊断效果。

综上所述，本文的研究为实验室医学中IFE图像的自动化分析提供了一种可行的解决方案。通过引入深度学习技术，可以显著提高诊断的效率和标准化程度，减少人工操作的时间和主观性。尽管目前在低频率类别上的识别效果仍需进一步优化，但通过扩展数据集和改进模型结构，未来有望实现更全面的单株蛋白识别。这种技术的推广和应用，将对提高临床诊断水平、优化实验室工作流程具有重要意义。