综述：骨髓细胞形态学中的深度学习：分割、分类及临床应用的进展

《Medical Oncology》：Deep learning in bone marrow cytomorphology: advances in segmentation, classification, and clinical translation

骨髓细胞形态学分析依赖深度学习实现自动化，解决数据稀缺、类别不平衡及中心差异问题，评估合成数据与联邦学习策略。U-Net与Vision Transformer等模型在细胞分割与白血病诊断中表现优异，AI平台缩短诊断时间并降低观察者差异。未来需加强可解释AI、跨模态数据整合及验证。

　　

摘要

骨髓细胞形态学分析一直是诊断血液系统疾病的重要前提。传统的手动方法往往繁琐且具有主观性。深度学习（DL）的最新进展为细胞分类、分割和诊断工作流程的自动化带来了希望。本文综述了深度学习在骨髓分析中的最新应用，主要关注数据稀缺、类别不平衡和中心间差异等挑战。文章评估了公开可用的数据集，并提出了克服这些限制的策略，包括合成数据生成和联邦学习。本文分析了多种分割技术，从经典的分水岭算法到新型的U-Net（一种专门用于图像分割的神经网络）以及视觉变换器（Vision Transformer）混合模型，探讨了它们在分离细胞、组织亚系统和亚细胞结构方面的有效性。深度学习分类模型，包括卷积神经网络（CNN）、基于注意力的架构和集成模型，在检测急性髓系白血病（AML）和骨髓增生异常综合征（MDS）等恶性肿瘤方面展现了专家级的准确性。临床应用中，人工智能驱动的平台已融入数字病理工作流程，早期报告显示这有助于缩短诊断时间并减少观察者间的差异。对于骨髓图像密度较高的情况，结合CNN和Transformer架构的混合模型能够提升上下文感知分析能力。然而，深度学习在泛化能力和可解释性方面仍存在挑战，同时多模态数据的整合也存在困难。因此，未来的研究方向将侧重于模型验证、可解释性人工智能以及将细胞形态学数据与遗传学和流式细胞术数据相结合。这项跨学科研究旨在推动人工智能与血液病理学领域的融合，实现标准化和精准诊断，从而改善临床决策和患者预后。