基于正常巨核细胞弱监督人工智能模型在骨髓增生异常肿瘤中的新特征提取与诊断预测研究

本研究针对骨髓病理评估的复杂性，开发了一种基于形态正常巨核细胞的人工智能模型。通过深度学习技术实现骨髓区域检测（AUC=0.9996）和巨核细胞识别（AUC=0.9997），结合XGBoost分类器成功区分正常样本、骨髓增生异常肿瘤（MDS）和免疫性血小板减少性紫癜（ITP）。该模型不仅为MDS诊断提供新方法，更揭示了巨核细胞比例与空间分布的新型组织学特征。

　　

通过整合双重深度学习架构，该研究构建了基于苏木精-伊红（H&E）染色骨髓活检标本的人工智能系统。首个模块精准定位骨髓区域（曲线下面积AUC=0.9996），第二个模块专攻巨核细胞检测（AUC=0.9997）。创新性地利用形态正常的巨核细胞特征，通过XGBoost分类器实现了正常样本、骨髓增生异常肿瘤（myelodysplastic neoplasm, MDS）和免疫性血小板减少性紫癜（immune thrombocytopenic purpura, ITP）的精准区分。特征重要性分析揭示：巨核细胞在所有细胞中的占比以及不同距离范围内的相邻巨核细胞数量，与疾病预测存在显著相关性。这项突破不仅为非专科病理医生提供了可靠的诊断辅助工具，更开创了基于正常细胞形态学特征进行疾病分类的新范式，为血液系统疾病的病理学研究开辟了新维度。