基于深度学习的不同溶剂条件下血小板自动化分类研究

《Journal of Imaging》：Automated Platelet Classification Under Different Solvent Conditions Through Deep Learning

　　

血小板在激活过程中受锌和米力农等化学化合物影响，会发生显著的形态学转化。人工分类方法具有主观性、耗时且易出错的缺陷。本研究旨在应用并评估不同预训练深度学习卷积神经网络（Convolutional Neural Network, CNN）在血小板形态变化自动化二分类（处理组与未处理组）和多分类（对照组与锌处理组与米力农处理组与联合处理组）中的效能，以应对人工分类方法的局限性。研究人员处理了来自赫尔约克医学院（Hull York Medical School）的176张血小板显微图像数据集，包括对照组（n = 43）、锌处理组（n = 45）、米力农处理组（n = 40）和联合处理组（n = 48）样本。研究在二分类和多分类任务中对十种预训练CNN架构进行了166次独立训练迭代评估。渐进式优化策略包括对比度受限自适应直方图均衡化（contrast-limited adaptive histogram equalisation, CLAHE）增强、选择性层级解冻、交叉验证和超参数调优。在二分类任务中，Xception在保持正确类间判别能力的前提下实现了最优的均衡性能（准确率81%、精确率76%、召回率74%），而更高的数值指标（准确率91%）则表现出分类偏倚。在多分类任务中，InceptionV3和Xception展现出更优效能，准确率达72%。本研究表明，Xception和InceptionV3架构能够有效捕捉区分处理组血小板的细微形态学特征，为主观性人工分类方法提供了可重复的替代方案。

研究背景与意义

血小板是由巨核细胞衍生的小型无核细胞片段，直径约2–3 μm，在维持血管完整性、调节止血与血栓形成中发挥关键作用。血小板在激活过程中会发生显著的形态学转化，锌（Zn²⁺）和米力农等化学化合物可影响其功能特性与形态特征。锌作为血小板激动剂，其摄入不足约影响全球17.3%的人群；米力农作为磷酸二酯酶-3（phosphodiesterase-3）抑制剂，通过升高环磷酸腺苷（cyclic adenosine monophosphate, cAMP）水平抑制血小板活化。上述化合物诱导的形态学变化可反映血小板功能状态，具有重要诊断价值。然而，传统人工分类方法主观性强、依赖专家经验、耗时且易出错。虽有计算机辅助系统用于血细胞分类，但对血小板治疗诱导的细微形态学变化敏感性有限。因此，本研究旨在系统评估十种预训练卷积神经网络（Convolutional Neural Network, CNN）在血小板形态学二分类（处理与未处理）和多分类（对照、锌、米力农及联合处理）中的效能，建立可重复的自动化分类方法。

研究概述与结论

研究人员使用来自赫尔约克医学院（Hull York Medical School）的176张血小板显微图像，涵盖对照组（n = 43）、锌处理组（n = 45）、米力农处理组（n = 40）和联合处理组（n = 48），在166次独立训练迭代中评估了十种预训练CNN架构。结果表明，Xception在二分类中实现最佳均衡性能（准确率81%、精确率76%、召回率74%）且具良好类间判别能力；InceptionV3与Xception在多分类中均达72%准确率，为血小板形态学自动化分类提供了可重复的方法学基础。

关键技术方法

研究人员采用迁移学习策略对十种预训练CNN模型（Inception-v3、DenseNet-201、MobileNet-v2、ResNet-50、ResNet-101、Xception、Inception-ResNet-v2、EfficientNet-b0、VGG-16、VGG-19）进行微调。通过渐进式优化引入CLAHE增强、选择性层级解冻（20–30%）、5折交叉验证、类别权重调整、L2正则化（0.001）、批归一化及超参数调优，共形成166个训练配置。图像预处理包括CZI格式转JPEG、按各架构原生输入尺寸缩放至224×224或299×299像素并归一化至[?1, 1]；数据集按70%、15%、15%分层划分。

二分类结果

初始模型准确率为74%但存在严重单类预测偏倚，将所有样本判为多数类"处理组"。引入类别权重后MobileNetV2以78%准确率实现双类正确分类；加入L2正则化、批归一化和dropout（0.5）后，DenseNet201和Xception分别达到78%和81%准确率。数据增强反而降低性能，可能扭曲了关键形态学差异。第19次迭代中Xception达到峰值数值指标（91%准确率、91%精确率、87%召回率），但混淆矩阵显示持续的单类预测偏倚；而第7次迭代的Xception配置（准确率81%、精确率76%、召回率74%）实现了数值性能与判别能力的最佳平衡。

多分类结果

初始模型表现不佳，Inception-ResNet V2最高准确率仅37%。第16、18次迭代采用架构匹配输入分辨率（DenseNet201/VGG16使用224×224，Xception/InceptionV3使用299×299）、5折交叉验证及20–30%选择性层级解冻后，Xception（第16次迭代）和InceptionV3（第18次迭代配合CLAHE增强）均达到72%准确率。

附加分类方法

3折分类将对照/锌处理合并为一类，与米力农单独处理及锌/米力农联合处理区分，Xception、VGG16、InceptionV3和DenseNet201均达到70%准确率，提示对照与锌处理组血小板存在形态学相似性，与锌作为较弱血小板激动剂的生物学特性一致。2折分类达到89%准确率，但其混淆矩阵同样显示单类预测偏倚。

讨论与结论

Xception的深度可分离卷积与InceptionV3的多尺度特征提取能力善于捕捉血小板细微形态学特征。与传统数据增强有益的一般认知不同，本研究中数据增强反而降低性能，可能因为标准增强手法扭曲了显微镜图像中判别性的细微形态差异。模型选择不应仅依据准确率数值，还需结合混淆矩阵评估判别有效性。该研究主要受限于数据集规模较小（176张图像），结果应视为方法学概念验证而非临床验证分类器；所有图像来自同一来源，尚未在不同显微镜设置、染色方案或人群中进行外部验证。未来需通过多中心图像采集和生成式增强策略扩展数据集，探索基于Xception/InceptionV3设计的定制CNN架构、集成方法及注意力机制以提升可解释性。

本研究建立了利用深度学习方法对不同溶剂条件下血小板进行自动化分类的综合方法学基础。通过166次训练实验对十种预训练CNN架构的评估，Xception和InceptionV3架构在锌、米力农及其联合诱导的血小板形态学变化的二分类和多分类任务中均实现优越性能。Xception在二分类中实现最佳均衡准确率（81%），InceptionV3和Xception在多分类中表现一致（72%）。CLAHE增强预处理和选择性层级解冻是关键优化策略，传统数据增强在此特殊应用中反而降低性能。该自动化方法为血小板分类提供了可重复的替代方案，有望推进血小板生物学研究与临床诊断应用。