深度学习实现流式细胞术对成熟B细胞肿瘤的自动检测

《Modern Pathology》：Deep Learning Enables Automated Detection of Mature B Cell Neoplasms by Flow Cytometry

　　

多参数流式细胞术（Flow Cytometry）对于诊断成熟B细胞淋巴瘤（Mature B-cell Lymphomas）至关重要，然而分析仍主要依赖人工，耗时且存在操作者间差异。研究人员开发了一种用于B细胞肿瘤检测的自动化系统，采用三阶段深度学习架构（Deep Learning Architecture），可生成可解释的中间输出。轻链模块（Light-chain Module）对每个细胞的表面免疫球蛋白（Surface Immunoglobulin）表达进行分类。细胞级模块（Cell-level Module）将原始流式参数与工程化特征（Engineered Features）相结合，这些特征捕获了轻链邻域（Light-chain Neighborhood）和空间位置，以识别异常细胞。样本级模块（Sample-level Module）根据异常评分（Abnormality Score）排序的细胞做出病例级诊断（Case-level Diagnosis）。研究人员在来自纪念斯隆凯特琳癌症中心（Memorial Sloan Kettering Cancer Center）的3,070份临床标本上评估了该系统，包括外周血（Peripheral Blood, n=1,369）、骨髓（Bone Marrow, n=316）和组织（Tissue, n=1,385）样本。该系统实现了97.5%的病例级准确率，敏感性（Sensitivity）为95.6%，特异性（Specificity）为98.9%。预测的异常细胞计数与专家手动计数相关（R²=0.962 [95% CI: 0.937–0.988]，斜率=0.998 [0.983–1.014]，截距=-0.011 [-0.095 to 0.073]）。消融实验（Ablation Experiments）表明，工程化特征提供了互补信息：轻链邻域将空间特征置于基础之上，否则空间特征会引入噪声，从而使完整模型优于任何特征子集。该系统生成可视化输出，包括标记物表达比较和按异常评分着色的降维嵌入（Dimensionality-reduced Embeddings），允许病理学家验证被标记的群体是否形成与疾病表型一致的连贯簇。从异常群体中提取的特征还支持淋巴瘤亚型预测（AUROC=0.925）。这项工作表明，自动化流式细胞术解读能够实现高诊断准确性，同时提供透明、可验证的输出，适用于临床整合。

**论文解读：深度学习实现流式细胞术对成熟B细胞肿瘤的自动检测**

**研究背景与问题**
成熟B细胞肿瘤（Mature B-cell Neoplasms）作为非霍奇金淋巴瘤（Non-Hodgkin Lymphoma）中最常见的亚型，其准确诊断对于靶向治疗、风险分层及疗效监测至关重要。多参数流式细胞术（Multiparameter Flow Cytometry）通过测量单个细胞的表面抗原表达，可快速检测克隆性B细胞群体，区分反应性与肿瘤性浸润，并为特定实体分类提供免疫表型基础。然而，常规流式细胞术分析仍主要依赖人工：分析师和病理学家通过手动设门（Gating）逐例检查数十个二维散点图，这一过程耗时、劳动强度大，且难以在高通量实验室中扩展。此外，设门策略因操作者而异，已有研究证实实验室间存在显著差异，影响诊断一致性、分期及治疗反应评估。随着面板大小（Panel Size）扩大（单例可涉及50个以上参数、50万个以上细胞），人工分析效率进一步下降。

尽管已有自动化尝试，如传统机器学习（如支持向量机、随机森林）依赖手动设门后的汇总统计，无监督聚类（如FlowSOM、PhenoGraph、t-SNE）需手动解读结果，而深度学习方法虽在受控条件下表现良好，但多数缺乏可解释的中间输出，阻碍了临床采纳。成熟B细胞肿瘤的诊断核心标准——轻链限制（Light-chain Restriction）是局部群体的克隆性属性，而非单个细胞的特征，这对自动化系统提出了独特挑战：异常细胞在单个标记物上可能高度类似正常细胞，需要捕捉群体层面的模式。现有系统多局限于小规模队列、高肿瘤负荷病例，且未跨外周血、骨髓和组织标本验证，也未提供可验证的中间输出。因此，亟需一个兼具高准确性、透明度和临床实用性的自动化系统。

**研究内容与结论**
研究人员开发了一个三阶段深度学习系统，用于成熟B细胞肿瘤的自动检测，并在2023年来自纪念斯隆凯特琳癌症中心（Memorial Sloan Kettering Cancer Center）的3,070份临床标本（外周血n=1,369、骨髓n=316、组织n=1,385）上进行评估。该系统在留出测试集上达到97.5%的病例级准确率（敏感性95.6%，特异性98.9%），且预测的异常细胞计数与专家手动计数高度相关（R²=0.962）。消融实验表明，轻链邻域（Light-chain Neighborhood, LC-N）特征为空间特征提供生物学基础，完整模型优于任何特征子集。系统生成的可视化输出（如蜘蛛图、双轴散点图和降维嵌入）允许病理学家验证被标记群体是否形成与疾病表型一致的连贯簇。此外，从异常细胞中提取的特征可支持淋巴瘤亚型预测（AUROC=0.925）。该论文发表在《Modern Pathology》，标志着自动化流式细胞术解读在临床整合方面迈出重要一步。

**主要关键技术方法**
样本队列来源于Memorial Sloan Kettering Cancer Center 2023年收集的3,070份临床标本（外周血、骨髓、组织），使用19色BT管面板在BD LSRFortessa和BD FACSymphony A3流式细胞仪上采集。关键技术方法：1）数据预处理：采用FlowDensity进行基于密度的CD19/CD3 B细胞分离，经补偿、双指数变换（logicle）及去除双联体和边缘事件后，获得单个细胞参数。2）特征工程：使用LargeVis进行降维嵌入，计算轻链邻域（LC-N，30个最近邻中相同轻链预测的计数）、边缘距离（到群体边界的归一化距离）和异常邻域（最近邻的平均异常评分）。3）深度学习架构：轻链模块（1D ResNet-18）分类每个细胞的表面免疫球蛋白（kappa/λ/双阴性/污染细胞）；细胞级模块（1D ResNet-18）结合原始流式参数与工程化特征预测细胞异常；样本级模块（2D ResNet-101）从按异常评分排序的前2,000个细胞构成的矩阵中做出病例级诊断。4）训练策略：分阶段训练，使用交叉熵加正交投影损失，五次独立运行评估性能。

**研究结果**

**Study Cohort and System Architecture（研究队列与系统架构）**
通过系统架构图（Fig. 1）展示了从原始细胞测量到病例级诊断的全流程：临床标本经采集、预处理（补偿、变换、密度B细胞分离）后，轻链模块对每个细胞进行表面免疫球蛋白分类，随后计算三种工程化特征，细胞级模块结合流式参数与特征预测细胞异常，最后样本级模块从前2,000个高异常评分细胞中生成病例级诊断。可视化输出包括双轴标记物图和LargeVis嵌入，供病理学家审查。

**Deep Learning Model Performance（深度学习模型性能）**
在五次独立运行中，三模块AUROC逐步提高：轻链模块0.896（95% CI: 0.890–0.903），细胞级模块0.965（0.961–0.969），样本级模块0.988（0.982–0.993）。最佳种子下，病例级准确率97.5%（306真阳性、430真阴性、14假阴性、5假阳性），敏感性95.6%，特异性98.9%。各标本类型表现一致：外周血准确率97.1%（敏感性94.2%，特异性99.1%），组织98.0%（敏感性98.0%，特异性98.1%），骨髓97.4%（敏感性88.2%，特异性100%）。

**Feature Contribution and Cell-level Validation（特征贡献与细胞级验证）**
消融实验（Fig. 3a）显示：仅使用原始流式参数的基模型（B）准确率95.9%（敏感性92.5%，特异性98.4%）；添加轻链分类和LC-N特征（B+KL）后准确率维持95.9%，敏感性升至93.7%；添加边缘距离但不含轻链信息（B+Edge）导致准确率降至78.4%，特异性降至69.3%；进一步添加异常邻域（B+Edge+AN）准确率降至65.7%，特异性44.5%；完整模型（Full）结合所有特征达到最优（97.5%准确率，95.6%敏感性，98.8%特异性），表明LC-N为空间特征提供生物学基础，使它们贡献正向信息。细胞级异常计数与专家手动计数高度相关（Fig. 3b）：对数转换后R²=0.962（95% CI: 0.937–0.988），斜率0.998（0.983–1.014），截距-0.011（-0.095至0.073），准确量化从<100到>100,000个异常细胞。

**Interpretable Outputs Enable Clinical Verification（可解释输出支持临床验证）**
可视化输出包括蜘蛛图（比较预测正常与异常群体的平均标记物表达，外圈显示SHAP特征重要性）、双轴标记物散点图和LargeVis嵌入（按预测状态或异常评分着色，颜色亮度按局部密度缩放）。代表性病例展示：滤泡性淋巴瘤（Fig. 4 top）显示λ轻链限制、CD10高表达，异常群体形成紧密集群；大B细胞淋巴瘤（Fig. 4 middle）标记物差异较细微，但LargeVis嵌入仍显示异常群体形成连贯簇；慢性淋巴细胞白血病（Fig. 4 bottom）呈现典型CD5阳性、CD20弱表型，SHAP分析识别CD3和CD5为重要特征。这些可视化允许病理学家验证被标记群体是否具有与疑似诊断一致的免疫表型，或识别散乱预测提示潜在误分类。

**Abnormal Cell Features Distinguish Disease Subtypes（异常细胞特征区分疾病亚型）**
从组织标本预测异常群体中提取平均特征，训练分类器区分五种亚型（CLL、DLBCL、FL、MCL及其他低级别B细胞淋巴瘤），AUROC=0.925（Fig. 5）。降维显示：CLL形成紧密独立簇（32/32正确），FL分组分离（43/49正确），MCL占据单独区域（8/12正确），DLBCL与其他低级别淋巴瘤重叠较多，与已知实体表型异质性一致。尽管不能替代分型诊断，结果提示系统捕获了疾病相关免疫表型模式，可指导后续检查。

**总结与讨论**
讨论部分强调，工程化特征的关键贡献在于轻链邻域（LC-N）为空间特征提供生物学基础——消融实验表明，无LC-N时空间特征（边缘距离、异常邻域）引入噪声，降低准确性；而完整模型因整合了跨细胞和样本的信息，优于任何特征子集。三阶段架构的实用性在于每个模块输出可独立验证：轻链预测可对照常规κ/λ图，异常细胞计数可与手动评估比较（R²=0.962），病例级预测可结合可视化审查。可视化输出中，细胞被按异常评分着色，路径学家可直观检查被标记群体是否形成连贯、表型一致的簇，从而防止假阳性。系统拟作为决策支持工具而非自主诊断，预计将手动分析时间从10-20分钟降至5分钟以内，同时标准化操作，降低操作者间变异。未来工作需多中心验证，考察跨机构泛化性；当前模型需针对新面板重新训练，但数据效率分析显示，在25%训练数据（约几百例）上重训练样本级模型仍可保持高准确率（0.941）。亚型分类结果为探索性，表明系统可捕获疾病相关表型信息，但分型仍需结合形态学、免疫组化和分子研究。系统局限性包括：依赖CD19表达（可能漏失CD19阴性或弱表达的肿瘤），未纳入体液标本，且需至少2,000个B细胞才能生成病例级预测。研究结论部分翻译如下：总之，这项工作表明，当算法设计融入领域知识时，自动化流式细胞术解读能够实现高准确性。关键在于不仅仅是简单地将深度学习应用于流式数据，而是设计能够捕获诊断相关模式的工程化特征，并构建能够产生临床医生可验证输出的系统。目标不是取代专家，而是扩展专家的能力：足够准确以减轻工作负担，足够透明以允许验证，足够实用以整合到现有工作流程中。