骨髓镜检“外来客”耗时又耗力？看人工智能（AI）如何大显身手！

作者：陈朴

单位：复旦大学附属中山医院检验科

骨髓是恶性肿瘤最常见的侵犯部位之一，被称为实体肿瘤细胞向远处转移的“中转站”，此类骨髓转移征统称为骨髓转移癌（Metastatic carcinoma of bone marrow，MCBM）。

由于部分原发肿瘤的初始症状隐匿且不典型，甚至未能发现原发灶，仅以血细胞减少等血液系统症状为首发表现。因此，及时发现MCBM对肿瘤分期、治疗方案选择以及判断预后都十分重要。

骨髓细胞学检查是发现MCBM的常用方法之一。但由于转移癌细胞作为“外来客”往往难以在造血环境中大量生长，由于体积较大和/或具有粘滞性，在制作涂片时分布极不均匀，常被推至涂片边缘或末梢区域而被忽视，易被误诊、漏诊。检验工作人员在镜检阅片时不仅需要耗费大量时间进行高低倍镜切换来浏览全片，还需要具备丰富的形态学知识储备。

随着人工智能（Artificial intelligence，AI）技术的飞速发展，卷积神经网络（Convolutional neural network，CNN）作为一种前馈型的神经网络算法，因其高效精准的突出优势已经被大量运用到图像分类、定位等医学领域中。

复旦中山检验团队紧跟前沿，对AI在MCBM筛查诊断中的临床应用进行了初步探索，相关研究成果发表于Frontiers in Oncology（IF:6.24）。

AI助力精准识别骨髓转移癌细胞

复旦中山检验团队与国内自主研发的Morphogo自动扫描平台合作，设计了27层神经网络用于骨髓细胞和转移癌细胞团的识别。

转移性癌团通常表现为聚集的三维结构，具有共浆多核、高核质比、核深染、不规则核形、多样性核仁、细胞质空泡等形态学特征。

在CNN识别过程中，利用饱和度通道初筛的可疑细胞团将被分割成多个固定大小的区域，再计算每个区域为癌细胞团的概率分值。若各个区域的平均分值大于癌细胞团的分类阈值，则判定为转移癌细胞团。

AI平台筛查骨髓转移癌细胞团的工作流程

该系统通过不同图层的相互合作实现对癌细胞团的精准识别。当输入的高清细胞团图像到达卷积层，图像被分为多个感受区域，通过滤波器得到癌团特征，并通过多层卷积，获取更高级的抽象特征，最终得到海量包含复杂特征的数字信号。

池化层用于降低特征数据的复杂度，减小神经网络中的计算量和参数，防止过度拟合，提高稳定性和普适性。最终，由完全连接层提取由卷积层生成的高级图像特征，对输入的图像进行识别分类，输出的值代表细胞癌团的概率。

不同图层的工作原理：卷积层（A）；聚集层（B）；完全连接层（C）。

此外，高质量的数字化图像也在转移癌细胞的精准识别中发挥关键作用。AI自动识别系统能够通过全自动高倍镜全片扫描，并通过油镜多层聚焦获取最清晰的细胞图片。同时可以全片搜索转移癌细胞团，根据不同癌细胞的异常形态，实现对癌细胞团的精准识别，有效降低误诊率和漏诊率。

数字组织病理学显微镜扫描中提取的具有代表性的骨髓涂片图像：（A）胃癌；（B）乳腺癌；（C）前列腺癌；（D）小细胞肺癌；（E）胆管癌；（F）肺腺癌。

AI助力骨髓细胞学检查初筛MCBM

我们在研究中比较了AI系统和血液形态学专家对转移癌细胞团的识别能力，以及不同分类阈值下AI系统的识别性能。

结果发现，当分类阈值为0.426时，该系统具有较高的特异性（91.3%），其对癌细胞团的识别准确率略低于形态学专家；当阈值为0.0459时，该系统识别转移癌细胞团的敏感性为89.4%，对转移癌细胞团检出的可能性比形态学专家更高，可以更好地避免漏诊。

同时，其特异性和阴性预测率也符合疾病筛查的基本要求（特异性65.5%；阴性预测值94.6%）。

AI系统和形态学专家对癌团细胞识别的敏感性、特异性、阳性预测值、阴性预测值比较

在检测速度方面，AI系统对于数字图像中的转移癌团的识别计数时间要显著小于形态学专家（8.86±0.00 vs 5200±458.26 s/1000 images），这也使得骨髓细胞学检查初筛MCBM普及至基层医院成为可能。

AI系统和形态学专家对骨髓涂片阅片时间的比较

在保证对转移癌细胞团识别高度敏感性与合理特异性的情况下，可以人机联合来有效提高癌细胞团的检出效率，即先使用AI自动扫描系统对所有骨髓涂片进行可疑细胞团的快速识别筛查，形态学专家在此基础上完成专业审核诊断。

AI筛查系统性能可持续提升

当训练样本质量控制水平提升时，AI系统对转移癌细胞团识别的敏感性和特异性可同时明显提高。这提示继续提升训练的质量控制水平并不断优化算法，能够持续提高AI系统检出转移细胞癌的灵敏度和特异性，实现更精准的骨髓细胞学筛查。

在本研究中，我们通过联合全自动骨髓涂片扫描系统和CNN算法识别技术，探索AI设备在骨髓细胞学检查中的应用，证实了其在诊断MCBM临床实践中的潜在价值，诊断一致性与形态学专家基本一致。

此外，降低算法的识别阈值可以提高对癌细胞团的敏感性，更好地应用在MCBM骨髓细胞学筛查工作中。相应地，AI平台和形态学专家的联合诊断能够更加高效准确地检出癌细胞团，降低MCBM的漏检率。

“工欲善其事，必先利其器”。未来，我们将进一步优化算法，提高检测性能，并进行多中心验证试验，收集更多样本进行深度学习。同时强化质量控制，确保入组转移癌细胞库样本的多样性及聚焦清晰度，不断探索智能识别系统在骨髓细胞学筛查中的临床应用潜能，推动AI在检验医学领域的转化与应用，助力建设更加高效、准确、智能化的检测平台。

编辑：yeah  审校：小冉