基于人工智能的DLBCL细胞骨髓涂片检测系统的开发与多中心验证

《Scientific Reports》：Development and multicenter validation of an AI-driven detection system for DLBCL cells in bone marrow smears

　　

摘要

在骨髓涂片中发现弥漫大B细胞淋巴瘤（DLBCL）细胞，是诊断DLBCL是否侵犯骨髓的重要形态学依据。骨髓受累会直接影响疾病的分期、治疗策略以及预后评估。然而，传统上通过显微镜手动识别骨髓涂片中的DLBCL细胞既耗时，又存在观察者差异，而且不同医院之间缺乏标准化方法。在本研究中，我们利用来自四个中心的117名新诊断DLBCL患者的骨髓涂片，开发了一种基于深度学习的人工智能检测系统（DLBCL-CQnet）。该系统包含一个基于MobileNetV2的感兴趣区域分类模型，以及一个基于YOLOv8的细胞检测与分类模型（CDC-MOD）。评估指标包括准确率、精确率、召回率、F1分数，以及在交并比阈值为0.5时的平均精度均值（mAP50）。MobileNetV2在感兴趣区域分类方面表现最佳，准确率为0.925，精确率为0.922，F1分数为0.919；而YOLOv8在DLBCL细胞检测方面的分类准确率为0.890，mAP50为0.934。该系统在交并比阈值为0.5时，感兴趣区域分类准确率为0.925，细胞分类准确率为0.890，平均精度均值（mAP50）为0.934。用于识别DLBCL细胞是否侵犯骨髓的最佳临界值为2.12%，其特异性为0.941，阳性预测值為0.923，显示出较高的诊断价值。该系统的识别速度远超手动评估，大幅减少了工作时间。DLBCL-CQnet能够实现跨机构的自动化、标准化识别骨髓涂片中的DLBCL细胞，可作为评估DLBCL是否侵犯骨髓的可靠辅助诊断工具。其高特异性和高效性有助于简化诊断流程，尤其在资源有限的环境中更为适用。