基于Sysmex XN-1000扩展参数与机器学习模型的骨髓增生异常综合征早期诊断及突变关联研究

本研究针对骨髓增生异常综合征(MDS)诊断难题，通过Sysmex XN-1000分析仪检测50例患者扩展血常规参数(NE-WX/Y/Z等)，结合ANN-MLP机器学习模型，首次揭示CEBPA突变患者中性粒细胞参数显著升高特征。研究证实扩展CBC参数可作为MDS伴细胞遗传学/突变异常的辅助诊断工具，为资源有限地区提供新型筛查策略。论文发表于《Discover Medicine》。

　　

在血液肿瘤领域，骨髓增生异常综合征(MDS)犹如一个狡猾的"伪装大师"——这种以血细胞减少、无效造血为特征的克隆性疾病，不仅容易与再生障碍性贫血(AA)、阵发性睡眠性血红蛋白尿(PNH)等疾病混淆，更有10%-30%的病例会恶化为急性髓系白血病(AML)。更棘手的是，传统诊断依赖骨髓活检和细胞遗传学分析，这些侵入性检查在医疗资源匮乏地区难以普及。面对这一困境，巴基斯坦国家血液疾病和骨髓移植研究所的Areeba Hamid Cheepa团队开展了一项创新研究，他们试图破解现代血细胞分析仪中隐藏的"密码"，通过机器学习和扩展血常规参数来揭开MDS的分子面纱。

研究团队采用Sysmex XN-1000分析仪检测50例MDS患者的74项细胞参数，重点分析中性粒细胞分散度(NE-WX)、核酸含量(NE-WY)和细胞大小(NE-WZ)等新型指标。通过构建多层感知器(MLP)人工神经网络模型，整合血小板、有核红细胞绝对值(NRBC_ABS)等7个关键参数，并与国际预后评分系统(IPSS-R)和二代测序(NGS)突变数据进行关联分析。所有数据均来自2022-2024年间该机构收治的经WHO 2016标准确诊的MDS患者队列。

研究结果部分，《基线特征》显示50例患者中68%为男性，40%存在细胞遗传学异常，其中7号染色体单体最为常见。《IPSS-R风险分层》发现高风险组(IPSS-R>3.5)患者的中性粒细胞绝对值(32.6 vs 52×10⁹/L)和血小板计数(26 vs 43×10⁹/L)显著降低，而NE-WX(452 vs 335.5通道值)和NE-WZ(1007.5 vs 791.5)明显升高。《机器学习模型》显示ANN对测试集的预测准确率达100%，曲线下面积(AUC)为0.7，其中NE-WZ对高风险MDS的识别贡献最大。《突变关联分析》揭示CEBPA突变患者呈现独特的"三高"特征：NE-WX(539)、NE-WY(1223)和NE-WZ(1312)均显著高于其他突变类型，而TP53突变组则表现为MO-X(114)等单核细胞参数降低。

讨论部分指出，该研究首次系统论证了自动化血细胞分析仪参数与MDS分子特征的关联规律。NE-WX/Y/Z的异常升高可能反映CEBPA突变导致的粒细胞成熟障碍，这种"数字形态学"特征为无创筛查提供了新思路。值得注意的是，研究中开发的ANN模型仅需常规血检数据即可实现79.5%的训练集准确率，这对缺乏分子检测条件的基层医院具有重要实践价值。但研究也存在样本量有限、NGS数据不完整等局限，特别是TP53突变组与预期相反的低IPSS-R评分现象，提示需要更大规模研究验证。

这项发表于《Discover Medicine》的研究开辟了MDS诊断新路径——通过常规血检设备的"深度挖潜"结合人工智能算法，使得在普通实验室实现MDS的早期预警和风险分层成为可能。未来若能整合更多遗传学数据，或将建立完全基于机器学习的MDS分子分型体系，从根本上改变目前依赖骨髓穿刺的诊断范式。对于巴基斯坦等发展中国家而言，这种"低成本、高效率"的筛查策略尤为珍贵，为改善MDS患者的预后差距带来曙光。