综述：未染色血涂片分析：基于规则、机器学习和深度学习技术的综述

这篇综述系统回顾了未染色血涂片分析领域的技术进展，重点探讨了基于规则的方法、机器学习（ML）和深度学习（DL）在细胞分割与分类中的应用。文章对比了不同技术的优劣，强调了生物光子学（如QPI、DHM、ODT）与人工智能的结合如何推动无标记血液分析的临床转化，同时指出数据稀缺、算法泛化性和计算效率等挑战。

　　

未染色血涂片分析的技术演进

摘要

血液细胞作为氧气运输、免疫防御和止血的核心载体，其数量和形态是关键的生物标志物。传统染色方法（如吉姆萨染色）虽能提供高对比度图像，但存在试剂成本高、固定损伤细胞形态等问题。生物光子学技术通过定量相位成像（QPI）、数字全息显微镜（DHM）等无标记手段，利用细胞固有的折射率和散射特性生成图像，为血液分析开辟了新路径。然而，未染色图像的低对比度和细微形态差异对分割算法提出了更高要求。

引言

血液涂片检查是临床实验室的一线诊断手段，但染色流程耗时且可能掩盖细胞动态特性。无标记成像技术通过保留细胞原生状态，支持活细胞监测和药物反应研究。例如，多模态成像将QPI与相干反斯托克斯拉曼散射（CARS）结合，可同时获取形态学和分子信息，显著提升疟原虫检测灵敏度。不过，这类技术需匹配高性能算法才能实现临床级分析。

基于规则的方法

早期算法依赖阈值分割（如Otsu法）和分水岭标记，在均匀样本中表现良好，但难以处理细胞重叠或异质性场景。例如，Moon团队通过自适应阈值和距离变换分水岭，从DHM相位图中提取红细胞3D形态参数，但算法对聚焦稳定性敏感。Xiong的Sobel边缘检测在鼠红细胞分割中达到95% Dice分数，却受限于密集簇的合并误差。这些案例凸显了物理驱动规则的局限性。

机器学习方法

传统ML模型（如SVM、随机森林）通过手工特征（如HOG纹理）实现分类。Lippeveld利用成像流式细胞术生成25万张白细胞图像，发现梯度提升树（77.8%准确率）与ResNet-18性能相当。Ozaki通过反射式QPM提取1296维HOG特征，使癌细胞分类准确率达96.8%。然而，特征工程依赖专家知识，且模型难以泛化到新数据集。

深度学习方法

CNN和Transformer架构通过端到端学习显著提升性能。Ryu的3D ODT数据集（11.5万细胞）上，FCOS检测器实现97% mAP，但白细胞样本不足影响少数类性能。Lin的Mask R-CNN在地中海贫血红细胞分类中F1达0.98，其相位偏移统计特征与ODT形态参数高度相关（ρ>0.85）。Chen团队用415 nm单波长显微术结合YOLOv5，实现98% F1的无标记白细胞分型，但嗜碱性粒细胞因样本稀少识别率偏低。

挑战与展望

当前瓶颈包括：1）模态特异性数据稀缺，如ODT设备尚未普及；2）算法在外部验证集上性能平均下降3-7个百分点；3）DL模型计算成本高且缺乏可解释性。未来需建立标准化微基准测试，开发轻量化模型（如EfficientNet），并通过注意力机制等提升病理相关性解释。多中心合作开放数据将加速技术从实验室向床旁转化。

结论

无标记血液分析正从技术验证迈向临床整合。规则方法为快速筛查提供基础，ML在中等规模数据中保持竞争力，而DL在复杂场景下展现统治力。突破硬件限制、优化数据治理和推动法规适配，将是实现“染色金标准”替代的关键三步。