基于集成学习（Ensemble Learning）策略的骨髓细胞形态学分类研究：软投票、Bagging、Boosting与Stacking方法的比较

《Frontiers in Medicine》：Automated bone marrow cell classification using ensemble learning: performance, generalization, and clinical interpretability

　　

摘要：研究人员评估并比较了四种集成学习（Ensemble Learning）策略——软投票（Soft Voting）、Bagging、Boosting及Stacking——用于21类骨髓（Bone Marrow, BM）细胞核形态学分类的效果。基模型采用ResNet18与MobileNetV3-Large，数据集为慕尼黑白血病实验室（Munich Leukemia Laboratory, MLL）提供的171,374张专家标注高分辨率显微图像，经分层划分与均衡增广（每类20,000张）后开展实验。研究引入加权交叉熵损失的深度网络自适应Boosting流程，并以XGBoost作为Stacking的元模型（Meta-model）；采用精度（Precision）、召回率（Recall）、F1值、准确率（Accuracy）及宏平均ROC-AUC评估性能，辅以Grad-CAM、Grad-CAM++与LIME进行可解释性（Explainable AI, XAI）分析及UMAP特征嵌入可视化。结果表明Boosting集成取得最优表现（准确率0.96，宏F1值0.96，ROC-AUC 0.9978），显著优于单一基模型及其他集成方式（软投票与Stacking为0.94，Bagging为0.93），且在形态学模糊的髓系早期细胞（如原始粒细胞MYB、早幼粒细胞PMO）上错误修正效果明显；软投票与Stacking推理耗时最低（分别约1283 s与22 s），Boosting居中（约233 s）。外部验证于BMCD-FGCD与A. Bodzas独立数据集分别获得宏F1值0.93与1.00，证实良好泛化能力。Grad-CAM++的决策影响比（Decision Impact Ratio, DIR）与置信影响比（Confidence Impact Ratio, CIR）定量验证模型关注生物相关形态区域。研究表明深度CNN集成尤其Boosting策略可有效提升骨髓细胞自动化分类的准确性与鲁棒性，为血液病学临床辅助诊断提供技术基础。

论文解读：基于集成学习策略的骨髓细胞形态学分类研究——软投票、Bagging、Boosting与Stacking方法的比较（《Frontiers in Medicine》）

一、研究背景与立题依据

骨髓（Bone Marrow, BM）细胞形态学人工分类是血液系统疾病（如白血病、骨髓增生异常综合征）诊断与分型的核心依据，但受限于细胞类型多样性、同类细胞形态相似性（如粒细胞成熟系列原始细胞MYB、早幼粒PMO、中幼粒MMZ）、罕见细胞低检出率及不同病理医师间判读差异（专家间一致性约85%–91%），传统自动化方法难以满足临床高精度要求。深度学习尤其是卷积神经网络（Convolutional Neural Network, CNN）已在医学图像分析展现潜力，但单模型易陷入过拟合或对少数类欠拟合。集成学习（Ensemble Learning）通过结合异质或多重基模型预测可降方差、纠偏并提高鲁棒性，然而针对21类BM细胞精细分类的不同集成范式（Voting、Bagging、Boosting、Stacking）系统性对比尚缺，亦少见结合可解释性人工智能（Explainable AI, XAI）与跨数据集外部验证的完整评估。为此，研究人员以MLL公开数据集为基础，构建并对比四种CNN集成框架，旨在明确最适集成策略及其在血液学辅助诊断中的应用价值。

二、主要关键技术方法

研究人员采用慕尼黑白血病实验室（Munich Leukemia Laboratory, MLL）数据集共171,374张经血液病学专家标注的BM单细胞高分辨显微图像，涵盖21种细胞类型（含异常嗜酸、毛细胞、柴捆细胞等），按图像级分层8:2切分训练/测试集，训练集经旋转、仿射等增强与过采样/欠采样平衡至每类20,000例。基学习器选用预训练ResNet18（残差连接抗梯度消失，捕捉高层次形态纹理）与MobileNetV3-Large（深度可分离卷积与Squeeze-and-Excitation模块兼顾效率），冻结前端权重微调全连接层输出21维softmax。四种集成策略：(1) 软投票（Soft Voting）：两基模型输出概率向量取算术平均后argmax；(2) Bagging：各基模型独立Bootstrap抽样训练，测试阶段多数表决；(3) Boosting（类AdaBoost顺序修正）：先训MobileNetV3，依错分样本更新权重，再加权交叉熵损失训ResNet18，推理时按模型误差倒数加权融合概率；(4) Stacking：基模型概率输出拼接为42维特征输入XGBoost元分类器（n_estimators=100, max_depth=3, objective=multi:softprob）。训练用Adam优化器、余弦退火学习率、早停（patience=3），PyTorch框架下M1 Pro芯片MPS加速。评价指标含Accuracy、Precision、Recall、宏/加权平均F1-score、宏ROC-AUC与AUPRC，辅以McNemar检验与Cohen's h效应量；XAI采用Grad-CAM、Grad-CAM++及LIME，定义DIR与CIR量化解释重要性；UMAP降维（ResNet18为512维GAP，MobileNetV3为960维GAP，集成拼接为1472维）分析特征空间聚类质量（轮廓系数、Davies-Bouldin指数等）。外部验证使用BMCD-FGCD（中国浙江医院，17类映射）与A. Bodzas（外周血白细胞，9类映射）数据集零样本推理。

三、研究结果

3.1 基模型与集成整体性能比较

单独ResNet18准确率91.47%（宏F1 0.9152），MobileNetV3为88.41%（宏F1 0.8849）。四种集成均超越最强单模型：Boosting最优（Accuracy 0.9600，Precision 0.9601，Recall 0.9600，宏F1 0.9600，宏ROC-AUC 0.9978，宏AUPRC 0.9612）；软投票与Stacking相当（Accuracy 0.94，宏F1 0.94）；Bagging略低（Accuracy 0.93，宏F1 0.9304）。Bootstrap置信区间显示Boosting [0.9586, 0.9614]不与其它重叠，McNemar检验证实其显著优于其余方法（p<0.0001）。

3.2 逐类性能与混淆矩阵分析

形态独特且少见类别如柴捆细胞（FGC）、毛细胞（HAC）、异常嗜酸（ABE）、涂抹细胞（KSC）、未成熟淋巴细胞（LYI）在各集成下近完美（F1≈1.00）。困难类MYB（原始粒细胞）、PMO（早幼粒细胞）、MMZ（中幼粒细胞）互有混淆，Boosting将其F1分别提升至0.85、0.84、0.90，优于其他集成。混淆矩阵显示MYB?PMO、MMZ?NGB（杆状核中性粒细胞）互混为主，符合生物学连续成熟谱系特征。

3.3 推理时间与计算效率

软投票1283.61 s、Bagging 1347.28 s（需多CNN前向传播），Boosting 233.38 s（顺序训练但推理仅两模型），Stacking仅22 s（基模型预测一次+XGBoost元模型推断低维向量）。表明Stacking适合实时受限场景，Boosting在精度与效率间取得最佳平衡。

3.4 ROC-AUC与AUPRC

Boosting宏ROC-AUC 0.9978（MYB最低0.9873），宏AUPRC 0.9612；Bagging AUPRC偏低（0.9313），反映Boosting对难分少数类的序敏感性改善更显著。

3.5 统计显著性检验

六组配对McNemar检验Bonferroni校正后Boosting均显著优（p<0.0083），软投票与Stacking无显著差异（p=1.000），Cohen's h对Boosting为0.135–0.173（小效应但在84,000样本下具临床意义）。

3.6 可解释性（XAI）分析

Grad-CAM++热图较Grad-CAM聚焦核染色质、Auer小体等判别区；LIME超像素遮掩互补验证关注区。DIR与CIR排序：Grad-CAM++（均值0.86）>Grad-CAM（0.84）>LIME（0.82）；形态模糊类（MYB、PMO）DIR/CIR较低（0.66–0.73），独特类（HAC、FGC）较高（≥0.94），说明解释与分类难度一致。

3.7 UMAP特征嵌入与聚类指标

集成拼接特征UMAP silhouette score 0.441（ResNet18 0.374，MobileNetV3 0.312），Davies-Bouldin 0.637（更低优），Calinski-Harabasz 14876，近邻类纯度（Nearest-Neighbor Class Purity, NNCP）0.852，Trustworthiness 0.921，证实集成习得更具判别力的联合表征。

3.8 外部验证

BMCD-FGCD数据集：Boosting与软投票宏F1均为0.93（Bagging 0.92，Stacking 0.91），粒细胞成熟阶段MYB/PMO/MMZ仍最难（F1 0.79–0.85）。A. Bodzas外周血数据集：Boosting达完美（Accuracy/F1 1.00），其余方法0.99，证实跨域稳健性。

四、讨论与结论总结

讨论指出形态重叠（MYB-PMO-MMZ）、罕见类代表性不足、制片染色伪影为主要误分来源；Boosting借序贯误分重加权缓解此问题但不完全消除，与专家间分歧水平接近。单中心训练为局限，建议多中心联邦学习（Federated Learning, FL）扩展；未来宜引入Transformer或CNN-Transformer混合骨干对照同框架集成效果，并结合全玻片检测（Whole-Slide Image, WSI）上游分割模块。临床整合可分三级：平台嵌入（ONNX/TorchScript）、AI辅助微分计数（低置信P_max<0.70送人工复核）与主动学习持续迭代。

结论（翻译浓缩）： 研究表明深度CNN集成尤其Boosting策略可显著提升21类BM细胞形态学自动分类的准确性（最高准确率96%）与泛化能力，优于单一模型及其他集成范式；软投票与Stacking具计算优势适合特定部署场景；结合Grad-CAM++等XAI手段与DIR/CIR量化指标可增强临床信任度。所提出的集成框架为血液病理学辅助诊断系统奠定了方法学基础，后续需多中心前瞻性验证及与WSI流程整合以推进实际临床应用。