编辑推荐：
研究人员为评估红细胞（RBCs）形态影响因素，开展相关研究，发现冷藏影响最大，强调其对输血质量安全的重要性。
红细胞形态研究：冷藏影响大揭秘
在医疗领域，输血治疗对于严重失血或贫血患者来说，是重要的 “生命补给线”。其中，红细胞（Red Blood Cells，RBCs）作为最常用的血液制品，每年全球的使用量高达约 1.13 亿单位。然而，血液制品的质量直接关系到输血治疗的效果和安全性。评估 RBCs 的形态，成为提升输血临床效益、降低不良反应风险的关键环节。
传统上，通过显微镜观察 RBCs 形态，需要经验丰富的专业人员操作，不仅耗时费力，还容易受到主观因素影响，样本量也受限，难以保证结果的准确性。随着科技的发展，人工智能（Artificial Intelligence，AI）技术崭露头角，尤其是深度学习在医学领域的应用越来越广泛。那么，能否借助深度学习技术，更精准地研究 RBCs 形态的影响因素呢？
带着这样的疑问，来自加拿大阿尔伯塔大学、加拿大血液服务中心等机构的研究人员 Yuanheng Zhao、Mackenzie Brandon - Coatham 等，开展了一项关于 RBCs 形态的研究。该研究成果发表在《Scientific Reports》上，为我们揭示了诸多关键信息。
研究人员主要运用了以下几种关键技术方法：
- 密度梯度离心：利用 Percoll 密度梯度离心法，在低温储存的不同时间点，将 RBCs 按生物年龄分为密度较高的衰老红细胞（old RBCs，O - RBCs）和密度较低的年轻红细胞（young RBCs，Y - RBCs），同时保留未分离的红细胞（unseparated RBCs，U - RBCs）作为对照。
- 成像流式细胞术（Imaging Flow Cytometry，IFC）：使用配备四激光双相机系统的成像流式细胞仪，在三个通道下对 U - RBCs、O - RBCs 和 Y - RBCs 进行成像，获取大量细胞图像。
- 机器学习模型训练：基于 Doan 等人开发的机器学习框架，在 Google Cloud Platform 上利用 Deepometry 程序训练深度学习模型。通过人工标注 RBCs 形态，将其分为光滑圆盘、锯齿圆盘等多个亚类，以此训练模型对 RBCs 图像进行分类。
下面，我们来看看具体的研究结果：
- 训练后的机器学习模型可靠：深度学习模型对人工标注数据库的训练准确率较高，在训练过程中保持相对稳定（超过 80%）。对训练数据集的准确率达到 96.40%，对测试数据集（从数据库中拆分出的 20% 人工标注数据集）的准确率为 96.70%。使用另外三个独立的人工标注数据集评估，模型准确率为 84.17 ± 4.32%，表明该模型能可靠地分析 RBCs 图像并预测形态亚类。
- U - RBC 形态结果与储存溶血相关：研究人员将模型预测结果与 RBCs 溶血（一种对储存条件敏感的质量参数）进行对比。发现对于老年女性供体，储存溶血与形态指数（Morphology Index，MI）的相关性在储存过程中显著增加，在第 28 天达到最高 R2 值（0.7032），但到第 42 天减弱（R2 = 0.3898）。老年男性供体也呈现类似趋势，而青少年女性和男性供体中，溶血与 MI 的相关性总体较弱。
- RBCs 的生物年龄对形态亚类分布影响较小：对比 U - RBCs、Y - RBCs 和 O - RBCs 亚群的形态亚类分布，发现生物年龄对其影响在低温储存期间大多不显著。虽然在早期储存时，Y - RBCs 中锯齿状盘状细胞的比例显著高于 O - RBCs 和 U - RBCs，但长期储存后趋势反转。对于储存诱导的微红细胞（storage - induced micro - erythrocytes，SMEs），不同生物年龄的 RBCs 在某些时间点存在差异，但多数时间点差异不显著。
- 低温储存和供体年龄对 RBCs 形态亚类分布影响大：RBCs 在储存第 5 天更多地被分类为较年轻的亚类，如光滑圆盘和锯齿圆盘，到第 42 天 SMEs 的比例逐渐增加。供体年龄对 RBCs 形态亚类分布影响显著，如第 5 天青少年男性供体的 U - RBCs 中锯齿状球体的比例高于其他组；第 42 天，青少年男性供体的 O - RBCs 中锯齿状盘状细胞的比例显著低于其他供体组。
- MI 受储存损伤影响更大：MI 能够定量反映 RBCs 形态变化，研究发现其受储存的影响比供体因素（年龄和性别）及 RBCs 生物年龄更显著。在储存过程中，U - RBCs 和 Y - RBCs 的 MI 受储存影响明显，而青少年男性和老年女性的 O - RBCs 的 MI 受储存影响不显著。
研究结论与讨论部分指出，本研究利用深度学习技术对 RBCs 形态进行分类，发现储存对 RBCs 形态的影响最为显著，相比之下，供体特征和 RBCs 生物年龄的影响较小。虽然之前已知 RBCs 形态会因储存和生物老化而改变，但该研究进一步明确了各因素的影响程度。
储存过程中，ATP 水平下降、细胞内钙浓度升高，这些变化导致 RBCs 形态改变，而储存对这些代谢变化的影响比生物老化更明显。此外，研究还发现生物年龄对 RBCs 形态的影响较小，这可能与年轻 RBCs 代谢优势有关，它们能更好地耐受低温储存的压力，减少形态变化。
然而，该研究也存在一些局限性。例如，缺乏对形态变化驱动因素的详细生化特征分析，以及没有采用更多供体分类方法。同时，Percoll 密度分离法可能会因 PBS 洗涤影响 RBCs 形态，IFC 技术也可能因无法捕捉所有细胞形态，导致深度学习模型分类不准确。
尽管如此，这项研究仍具有重要意义。它强调了储存对 RBCs 形态的关键影响，为优化血液储存条件、提高输血质量和安全性提供了重要依据。深度学习模型在 RBCs 形态分类中的应用，也为未来血液制品质量评估提供了新的方向和方法，有望推动输血医学领域的进一步发展。
