人工智能助力骨髓涂片形态学预测急性髓系白血病RUNX1::RUNX1T1基因异常：精准诊断新突破

本研究针对急性髓系白血病(AML)中RUNX1::RUNX1T1融合基因检测成本高、操作复杂的问题，开发了基于卷积神经网络(CNN)的AI模型。研究人员通过分析65,039张骨髓涂片图像，建立了两阶段阈值预测系统（敏感模式0.59阈值下灵敏度达95.65%，精准模式0.88阈值下特异性达92.68%），显著优于传统显微镜检查（灵敏度提升6倍）。该成果发表于《iScience》，为AML分子分型提供了经济高效的形态学筛查方案，可减少56种融合基因的冗余检测。

　　

在血液肿瘤诊断领域，急性髓系白血病(AML)的精准分型始终是临床难题。其中RUNX1::RUNX1T1（原称AML1-ETO）作为核心结合因子白血病的关键标志物，虽占AML病例5%-10%，却因检测依赖荧光原位杂交(FISH)、逆转录聚合酶链反应(RT-PCR)等复杂技术，在医疗资源受限地区面临推广瓶颈。更棘手的是，传统显微镜下骨髓涂片(BMS)虽能发现细胞核凹陷、奥尔棒(Auer rods)等特征，但判读结果高度依赖病理医师经验，且与基因型的对应关系模糊不清。

海军军医大学附属长海医院血液科联合上海交通大学医学院附属第一人民医院检验科的研究团队，创新性地将深度学习技术引入这一领域。他们开发的MobileNetV3-Small卷积神经网络模型，通过分析来自三家医疗中心的205例AML患者65,039张骨髓细胞图像，首次实现了从形态学特征直接预测RUNX1::RUNX1T1基因异常的AI诊断系统。这项突破性研究发表在交叉学科期刊《iScience》上，为AML的精准诊断开辟了新路径。

研究团队采用多中心队列设计，训练集包含长海医院141例AML患者（52例RUNX1::RUNX1T1阳性），外部验证集来自瑞金医院和上海市第一人民医院的64例患者。技术核心是通过Morphogo系统数字化骨髓涂片，采用双阶段优化策略：先用Adam优化器训练5个周期，再切换随机梯度下降(SGD)优化器，配合0.94的逐周期学习率衰减。模型创新性地设置0.59和0.88双阈值体系，分别对应高灵敏度筛查和高特异性确诊场景。

评估CNN模型区分AML亚型的能力
t-SNE降维分析显示，RUNX1::RUNX1T1阳性髓系原始细胞呈现独特聚类模式，但存在10%形态不典型细胞。模型通过设定1%阳性细胞阈值，有效规避了这类"模糊区域"的误判。值得注意的是，部分M1、M4亚型细胞与阳性细胞形态相似，而所有急性早幼粒细胞白血病(M3)均被正确排除，这与PML::RARα融合基因的特异形态特征相符。

CNN模型阈值优化实现精准预测
在测试队列中，0.59阈值下模型灵敏度达92.86%（仅漏诊2/28例），准确率87.04%；切换至0.88阈值时特异性提升至92.31%，阳性预测值(PPV)达92.31%。外部验证表现更优：0.59阈值灵敏度95.65%，0.88阈值特异性92.68%，曲线下面积(AUC)稳定在0.9205。相比之下，病理医师显微镜检查的灵敏度仅有15.38%，凸显AI的显著优势。

人工镜检与AI模型的性能对比
传统镜检在识别RUNX1::RUNX1T1相关形态特征时，各项指标均显著低于AI模型。尤其在0.88高特异阈值下，AI的阳性预测值较人工提升近6倍，这意味着每100例AI筛查阳性的患者中，93例可通过后续RT-PCR确认，而传统方法仅能筛出16例真阳性。

这项研究开创了AML分子遗传学诊断的新范式。通过将AI形态学分析作为初筛工具，临床可优先对AI阳性样本进行RT-PCR验证，避免56种融合基因的全面检测，预计降低70%检测成本。值得注意的是，研究者强调AI诊断不能完全替代FISH或RT-PCR，而是作为"经济型漏斗"优化检测流程。未来研究需扩大样本量，并探索FLT3-ITD、NPM1等共突变对细胞形态的影响。

该成果的临床价值在于：首次证明RUNX1::RUNX1T1融合基因与特定细胞形态存在可量化的关联；建立的AI模型在保持实验室金标准准确性的前提下，将分子检测需求缩减至原来的1/7；开发的双阈值系统可灵活适应筛查或确诊不同场景。随着技术推广，这种"AI初筛+靶向验证"的模式有望成为血液肿瘤精准诊断的新标准。