基于深度学习的骨髓涂片形态学评估揭示骨髓增生异常综合征红细胞形态新生物标志物

研究人员针对骨髓增生异常综合征(MDS)诊断依赖主观形态学评估的临床痛点，开发了基于全切片图像(WSI)的深度学习系统。通过分离红细胞(RBC)形状/分布特征，发现独立于贫血的RBC形态学特征与细胞遗传学定义MDS(cMDS)显著相关，为MDS诊断提供了新型客观生物标志物，展现了人工智能提升血液病诊断精确度的潜力。

　　

骨髓增生异常综合征(MDS)作为老年高发的血液系统恶性肿瘤，其诊断长期面临"主观性困境"——尽管细胞遗传学检测能提供G带核型分析等客观指标，但约半数患者缺乏典型细胞遗传学异常，临床仍主要依赖专家通过显微镜观察骨髓涂片中的病态造血特征。这种传统方法不仅存在观察者间差异，更可能遗漏人类视觉难以捕捉的细微形态学改变。

日本九州大学数理医学研究院(Institute of Mathematics for Industry, Kyushu University)的Shizuo Kaji团队创新性地将深度学习技术应用于骨髓涂片全切片图像(WSI)分析。研究者另辟蹊径，通过构建红细胞(RBC)二进制掩模模型，首次系统揭示了RBC空间分布与形状特征与细胞遗传学定义MDS(cMDS)的强关联性，相关成果发表于《Leukemia Research》。

研究团队采用三项关键技术：首先基于42例Joban Hospital患者队列（22例cMDS/20例正常）的骨髓涂片WSI数据；其次开发双路径深度学习模型，同步分析原始RGB图像与经U-Net分割生成的RBC/有核细胞/细胞核的二进制掩模；最后通过贫血校正实验验证特征特异性。

【患者特征】
cMDS组患者年龄更大且血细胞减少更显著，国际预后评分系统(IPSS-R)平均达5.2分。

【AI诊断效能】
RBC形态模型表现突出，曲线下面积(AUC)达0.91±0.03，显著优于部分人类专家（p<0.01）。

【特征解析】
掩模实验证实RBC分布密度与椭圆傅里叶描述子(elliptic Fourier descriptors)等形状参数具有最高判别力，且与贫血程度无关（p=0.34）。

这项研究具有双重突破意义：方法学上，通过"形态特征解耦"策略证明AI可发现人类专家忽视的RBC群体分布规律；临床上，首次确立RBC形态作为独立于现有标准的MDS客观生物标志物。值得注意的是，研究者强调该AI系统并非要替代而是辅助临床决策——当WSI中出现特定RBC空间聚集模式时，即使未见典型病态造血，也应提示进行更深入的细胞遗传学检测。未来整合基因组学与多模态形态学数据，或将推动MDS诊断进入"人工智能增强时代"。