通过常规血液参数的表格向彩色图像转换，基于可解释深度学习对真性红细胞增多症、继发性红细胞增多症及健康对照组进行分类

《Scientific Reports》：Interpretable deep learning-based classification of polycythemia vera, secondary erythrocytosis, and healthy controls via tabular-to-color image transformation of routine blood parameters

　　

摘要

真性红细胞增多症（Polycythemia Vera, PV）和继发性红细胞增多症（Secondary Erythrocytosis, SE）是两种具有重叠临床表现的血液学疾病，尤其是血红蛋白和红细胞压积水平的升高，这给日常诊疗中的鉴别诊断带来了困难。本研究提出了一种新颖的表格数据转图像深度学习框架，用于基于常规血液学数据对PV、SE和健康对照组（Healthy Controls, HC）进行分类。研究共处理了345例临床样本（111例PV、143例SE和91例HC），这些样本由28个血液学变量描述，通过多阶段处理流程进行处理，包括基于MICE的缺失值插补、特征工程、mRMR特征选择，以及将36个选定特征通过确定性的HSV至RGB编码转换为6×6彩色映射网格图像。六种最先进的架构（DINOv2、EfficientNetV2、ConvNeXt、Swin Transformer、ResNeXt-50和Vision Transformer）通过迁移学习和使用Optuna的贝叶斯超参数优化进行了微调。模型性能通过分层10折交叉验证进行评估，并利用Grad-CAM和SHAP分析检验模型的可解释性。ResNeXt-50取得了最佳性能，宏观F1得分为0.9250 ± 0.0356，准确率为92.3%，所有模型的准确率均超过91%。SHAP和Grad-CAM分析结果表明，模型依赖于具有临床意义的血液学特征。这些结果表明，常规血液参数的彩色映射图像表示为自动红细胞增多症分类提供了有效且可解释的基础，具有作为临床血液学计算机辅助诊断工具的潜在应用价值。