《npj Digital Medicine》：Towards noninvasive blood count using a deep learning pipeline from bulbar conjunctiva videos
编辑推荐：
【编辑推荐】传统静脉采血检测血细胞具有侵入性、耗时且成本高。本研究提出“Video-to-Vessels”视觉流程与VesselNet网络，可从球结膜毛细血管高清视频中提取血管表征，并回归预测血红蛋白与红细胞计数。在224人队列中，贫血检测ROC-AUC达82.8%，为无创全血细胞计数迈出关键一步。
血液检查是评估健康状况的常规手段，其中全血细胞计数（Complete Blood Count, CBC）是临床诊断和监测多种疾病的基础。然而，获取这些数据目前主要依赖传统的静脉穿刺采血。这种方法不仅会带来疼痛和不适，还存在感染风险，并且需要专业的医护人员操作、专门的采血与分析设备，导致检查过程耗时、成本较高，在某些医疗资源有限的地区或需要频繁监测的场景下（如慢性病患者管理）应用受限。因此，开发一种准确、便捷且完全无创的血液检测技术，一直是医学工程领域追求的目标。
近年来，随着计算机视觉和人工智能技术的飞速发展，利用外部成像信息间接推断体内生理参数成为了可能。眼睛的球结膜（Bulbar Conjunctiva）区域血管表浅、易于观察，为无创监测微循环状态提供了一个独特的窗口。那么，能否通过分析眼睛表面的细微血管视频，来推算血液中的关键成分呢？这正是发表在《npj Digital Medicine》上的这项研究所要探索的前沿问题。
为了回答这个问题，研究团队设计并实现了一套名为“Video-to-Vessels”的计算机视觉流程。该流程能够处理眼球结膜区域的高放大倍数视频，通过一系列图像处理步骤，从复杂的视频数据中提取出低维度的时空血管信息，将数据维度降低了约200倍，同时保留了关键的血液动力学特征。这些处理后的血管表征，随后被送入一个名为VesselNet的多实例回归神经网络。VesselNet的核心是一个改进的ConvNeXt网络主干，用于编码每一段血管的特征；接着，它通过交叉注意力（cross-attention）机制融合与血管特定厚度相关的信息；最后，网络将拼接后的特征嵌入用于预测血液生物标志物。整个研究在一个包含224名参与者、并配有标准实验室血液检测结果作为金标准的队列中进行验证。
研究人员为开展此项研究，主要运用了以下几项关键技术方法：首先，构建了包含224名参与者配对数据（眼部视频与静脉血实验室检测结果）的队列。核心方法是开发了“Video-to-Vessels”图像处理管道，对采集的球结膜高倍放大视频进行局部稳定化、血管分割与去噪处理，生成低维时空血管表征。随后，设计了VesselNet深度学习模型，该模型采用改进的ConvNeXt网络作为编码主干，并利用交叉注意力机制融合血管特异性厚度信息，最终实现从血管表征到血液生物标志物（如血红蛋白、红细胞计数）的回归预测。
研究结果
1. 模型预测性能
在224名参与者的测试中，VesselNet模型在预测血红蛋白（Hemoglobin, Hb）浓度以诊断贫血（anemia）方面，取得了受试者工作特征曲线下面积（ROC-AUC）为82.8%的性能。对于连续变量的回归预测，模型预测的血红蛋白值与实验室检测值之间的斯皮尔曼等级相关系数（Spearman’s ρ）达到0.47。对于红细胞（Red Blood Cell, RBC）计数的回归预测，斯皮尔曼ρ为0.46。这些结果表明，模型能够从眼部视频中提取出与血液关键成分相关的有效信号。
2. 关键技术模块的贡献分析
为了评估视频预处理流程中关键步骤的重要性，研究人员进行了消融实验。当从“Video-to-Vessels”流程中移除局部稳定化（local stabilization）以及分割-去噪（segmentation-denoising）模块时，模型性能显著下降。对于血红蛋白预测，斯皮尔曼ρ下降了38%；对于红细胞计数预测，ρ下降了19%。这一结果凸显了高质量的血管提取与运动校正对于最终预测准确性的关键贡献。
3. 模型的可解释性尝试
尽管文章未深入展示复杂的可解释性图示，但其方法设计本身蕴含了可解释性思路。通过明确地先分割出血管、再对血管实例进行特征编码和融合，而非端到端地处理原始像素，使得分析可以聚焦于血管形态、动态等直观的生物学特征上，为理解模型决策提供了一定的路径。
结论与讨论
本研究标志着向实现完全非侵入性全血细胞计数迈出了重要的一步。研究者成功地将表征学习与眼部成像相结合，开发了一套从球结膜毛细血管视频中预测血红蛋白和红细胞计数的深度学习系统。结果显示，该系统具有区分贫血状态的临床潜力，并能以中等相关性水平回归估计血红蛋白和红细胞计数的具体数值。
该研究的重要意义在于提出并验证了一种全新的血液检测范式。它摆脱了对静脉穿刺的依赖，仅需拍摄一段眼部视频，有望在未来转化为一种快速、无痛、低成本的筛查或监测工具。这在基层医疗、居家健康管理、以及资源匮乏地区具有巨大的应用前景。同时，研究所构建的“Video-to-Vessels”框架，将高维视频压缩为保留血流动力学信息的低维血管表征，也为其他基于微循环影像的无创生物标志物发现提供了可借鉴的技术路径。
当然，当前模型的预测相关系数仍有提升空间，距离完全替代传统血液检测尚需进一步研究。未来的工作可能需要更大的多样化数据集进行训练，并探索融合更多维度的眼部特征（如血管形态、血流速度等）。此外，将预测范围扩展到白细胞计数、血小板计数等其他CBC参数，是实现真正“无创全血细胞计数”的必然方向。尽管如此，这项工作无疑为无创血液诊断领域点亮了一盏新的明灯，展示了人工智能赋能精准健康监测的无限可能。
