基于深度学习的骨髓造血细胞自动分类算法（AIFORIA）：一种适用于常规筛查的九类细胞分类方案

编辑推荐：为解决骨髓涂片人工分类耗时长、主观性强的问题，Karolinska大学医院团队开发了基于CNN的AIFORIA算法，在1950个细胞标注训练中实现99.9%精确度，外部验证F1-score达96%，单张全切片分析仅需260秒，为血液病数字化筛查提供高效可靠工具。

　　

骨髓作为人体重要的造血器官，其细胞组成的变化往往是血液系统疾病的第一信号。传统骨髓涂片检查仍是诊断血液病的金标准，但这项延续百年的技术正面临巨大挑战——在显微镜下人工分类500个细胞不仅耗时长达20分钟，不同观察者间的诊断差异率可达15%，特别是在区分原始粒细胞（blast）与早幼红细胞（pronormoblast）等相似细胞时。这种主观性可能直接影响急性髓系白血病（AML）等疾病的诊断，因为5%的原始细胞比例就是区分骨髓增生异常综合征（MDS）与AML的关键阈值。

Karolinska大学医院联合Aiforia Technologies公司的研究团队在《Journal of Hematopathology》发表了一项突破性研究。他们利用云平台AIFORIA Create开发了基于卷积神经网络（CNN）的深度学习算法，通过九类造血细胞（包括原始细胞、各阶段粒细胞、淋巴细胞等）的自动分类，实现了媲美专家的诊断准确性。这项技术将传统需要专家数小时的工作缩短至260秒内完成，为临床实验室的数字化变革提供了可行方案。

关键技术方法包括：1）使用Pannoramic 1000扫描仪数字化80例正常骨髓涂片（40×，0.158μm/像素）；2）在AIFORIA平台进行分层标注（1950个细胞），设置"超复杂"网络层和图像增强参数（旋转±180°，亮度/对比度±10%）；3）采用三步验证：训练集（30例）、测试集（20例）和三位血液病理学家的独立盲法验证（30例）；4）全切片（WSI）与兴趣区域（ROI）对比分析。

研究结果方面：

1. 算法性能验证
   训练集最终分类错误率仅0.15%，精确度与敏感度均达99.9%（F1-score 99.2%）。外部验证显示，原始细胞分类的敏感度达99.24%，但存在12.94%假阳性（将早幼红细胞误判为原始细胞）。最难区分的髓系中期细胞（myelocyte/metamyelocyte）分类错误率17.04%，与专家间差异（16.51%）相当。

2. 全切片与局部区域对比
   在16例样本分析中，大ROI（平均7万个细胞）与WSI（平均28万细胞）的原始细胞计数高度相关（r>0.9）。但全切片检测到更多淋巴细胞（+15%），这与涂片边缘细胞分布不均有关。值得注意的是，500个细胞的分类耗时<1秒，全切片分析≤260秒。

3. 与同类研究比较
   相较于Choi等报道的97.1%准确率（10类细胞）和Wang等的全自动系统（44秒/片），本研究在保持96% F1-score的同时，首次验证了云平台在常规筛查中的可行性。但单核细胞（monocyte）分类仍是难点（错误率6.66%），因其与中幼粒细胞（metamyelocyte）形态相似。

这项研究标志着血液病理学进入智能辅助诊断时代。其创新性体现在：1）首次采用"人类参与循环"（HITL）策略，通过专家实时修正提升算法性能；2）提出半自动化工作流，建议先AI快速筛查再专家复核关键区域；3）验证了云平台在多中心应用的可能性。局限性在于训练集仅包含正常样本，未来需扩展至MDS、AML等疾病谱。

正如通讯作者Leonie Saft指出："该算法不是要替代形态学家，而是成为他们的'数字助手'。"特别是在基层医院缺乏血液专科医生的地区，这种技术可显著提高诊断一致性。研究团队下一步计划整合流式细胞术（flow cytometry）和基因检测数据，构建多模态诊断系统，并向儿童血液病领域拓展。随着数字病理设备的普及，这类AI工具或将成为血液病标准化诊断的新基石。