基于多波长凝血波形分析的深度学习模型：APTT延长病因筛查新策略

本研究针对临床常见的活化部分凝血活酶时间(APTT)延长鉴别难题，开发了基于多波长凝血波形分析(CWA)和卷积神经网络(CNN)的深度学习模型。通过分析683例样本（含凝血因子缺乏、狼疮抗凝物(LA)及抗凝药物治疗等五类病因），模型实现了0.961-0.993的AUC值，较传统CWA参数(0.532-0.858)显著提升。该技术首次整合调整法、多波长检测和深度学习，为APTT异常提供高效筛查工具，发表于《Scientific Reports》。

　　

在临床检验中，活化部分凝血活酶时间(APTT)延长如同一个神秘的信号灯，可能预示着从致命性出血到血栓风险的不同危机。传统鉴别方法如同盲人摸象：混合试验耗时费力，常规凝血参数特异性不足，而肉眼观察凝血波形(CWA)又易受主观影响。更棘手的是，抗凝药物干扰、狼疮抗凝物(LA)假阳性等问题常使诊断陷入迷宫。面对这些挑战，Masato Matsuda团队开启了一场凝血诊断的智能革命。

研究团队创新性地将三种技术熔于一炉：首先采用调整法标准化凝血波形，消除背景干扰；继而利用现代凝血仪的多波长检测系统（405/575/660/800 nm），捕捉不同波长下凝血动力学的"光谱指纹"；最后通过卷积神经网络(CNN)挖掘海量波形数据中的隐藏特征。研究纳入683例样本（含135例血友病、95例LA阳性及抗凝药物治疗者），通过10折交叉验证构建分类模型。

样本特征

血友病组FVIII活性中位数仅6.5 IU/dL，LA组dRVVT标准化比值达1.66，抗凝药物组涵盖肝素(0.41 IU/mL中位数)和四种DOACs，为模型训练提供全面数据基础。

技术方法

使用CN-6000凝血分析仪获取多波长CWA数据，通过TensorFlow构建四层CNN网络。关键创新在于同时分析原始凝血波形及其一阶、二阶导数曲线，并比较单波长(660 nm)与多波长模式的性能差异。验证阶段采用独立样本组和混合试验对照。

调整法增强特征

调整后的CWA曲线显著放大不同病因的特征差异，如LA组在405 nm波长下一阶导数峰值差异达3倍。传统参数Ad[min1]对LA的AUC为0.816，而CNN模型提升至0.989。

多波长协同效应

660 nm单波长模型已表现优异（AUC 0.943-0.988），但引入多波长数据后，模型识别LA的能力进一步提升（P=0.018），尤以405 nm波长对凝血速度变化最敏感。

临床验证

在53例独立样本中，模型对LA的敏感性达100%，显著优于混合试验(60%)。特别对APTT轻度延长(约50秒)的LA样本，模型预测值仍保持0.9以上精度。

这项研究标志着凝血诊断进入智能时代：其一，首次证明多波长CWA蕴含病因特异性信息，如血友病在575/800 nm波长的二阶导数曲线存在独特差异；其二，深度学习突破了传统CWA参数的限制，使整体准确率达88.4%；其三，方法可直接整合到现有凝血仪，实现"边检测边诊断"。局限性在于模型性能可能受试剂批次影响，未来需建立实验室特异性模型。该成果为APTT延长的一线筛查提供了高效解决方案，尤其对意外发现的孤立性APTT延长病例具有重要临床价值。