AI发现医生常忽略的危险血细胞

名为CytoDiffusion的系统依靠生成式人工智能（与DALL-E等图像生成器所用技术相同）来详细分析血细胞的外观。它并非只关注明显的模式，而是研究显微镜下血细胞形态的细微变化。

超越模式识别
许多现有的医疗AI工具经过训练，可将图像分类到预定义的类别中。相比之下，CytoDiffusion的研发团队证明，他们的方法能够识别正常血细胞的全部外观范围，并可靠地标记可能提示疾病的罕见或异常细胞。这项研究由剑桥大学、伦敦大学学院和伦敦玛丽女王大学的研究人员牵头，研究结果发表在《自然-机器智能》杂志上。

识别血细胞在大小、形状和结构上的细微差异是诊断许多血液疾病的核心。然而，掌握这项技能需要多年经验，即使是训练有素的医生在审查复杂病例时也可能存在分歧。

该研究的第一作者、剑桥大学应用数学与理论物理系的西蒙·德尔塔达尔说：“我们体内有许多不同类型的血细胞，它们具有不同的特性和作用。例如，白细胞专门负责对抗感染。但了解显微镜下异常或 diseased 血细胞的样子是诊断许多疾病的重要部分。”

应对血液分析的规模挑战
一张标准的血液涂片可能包含数千个单个细胞，远超出一个人实际逐一检查的能力。德尔塔达尔说：“人类无法查看涂片中的所有细胞——这根本不可能。我们的模型可以自动化这一过程，对常规病例进行分类，并突出显示任何异常情况供人类复查。”

临床医生对这一挑战并不陌生。伦敦玛丽女王大学的共同资深作者苏塞什·西瓦帕拉拉特纳姆博士说：“我作为初级血液科医生时面临的临床挑战是，工作一天后，会有大量血液涂片需要分析。当我在深夜分析它们时，我确信AI能比我做得更好。”

基于前所未有的数据集进行训练
为构建CytoDiffusion，研究人员使用剑桥Addenbrooke医院收集的超过50万张血液涂片图像对其进行训练。该数据集被描述为同类中最大的，包括常见血细胞类型、罕见样本以及常使自动化系统混淆的特征。

该AI并非简单地学习如何将细胞分为固定类别，而是对血细胞可能呈现的全部外观范围进行建模。这使其对不同医院、显微镜和染色技术之间的差异更具适应性，同时也提高了检测罕见或异常细胞的能力。

更有把握地检测白血病
在测试中，CytoDiffusion识别与白血病相关的异常细胞的灵敏度远高于现有系统。即使训练样本少得多，它的表现也与当前领先模型相当或更好，并且能够量化自身预测的置信度。

德尔塔达尔说：“当我们测试其准确性时，该系统略优于人类。但它真正突出的地方在于知道自己何时不确定。我们的模型永远不会在确定的情况下出错，但人类有时会这样。”

剑桥大学应用数学与理论物理系的共同资深作者迈克尔·罗伯茨教授表示，该系统是针对医疗AI面临的现实挑战进行评估的。他说：“我们针对现实世界AI中遇到的许多挑战对我们的方法进行了评估，例如从未见过的图像、不同机器拍摄的图像以及标签的不确定性程度。这个框架提供了模型性能的多方面视图，我们相信这对研究人员有益。”

当AI图像愚弄人类专家
研究团队还发现，CytoDiffusion可以生成与真实血细胞难以区分的合成图像。在一项有10位经验丰富的血液科医生参与的“图灵测试”中，专家们区分真实图像和AI生成图像的能力并不比随机猜测好。

“这真的让我很惊讶，”德尔塔达尔说。“这些人整天盯着血细胞看，甚至他们也分不清。”

向全球研究界开放数据
作为该项目的一部分，研究人员正在发布他们所说的世界上最大的公开可用外周血涂片图像集合，总计超过50万份样本。

德尔塔达尔说：“通过开放这一资源，我们希望赋能全球研究人员构建和测试新的AI模型，使高质量医疗数据的获取民主化，并最终为更好的患者护理做出贡献。”

支持而非取代临床医生
尽管结果显著，研究人员强调CytoDiffusion并非旨在取代训练有素的医生。相反，它旨在通过快速标记可疑病例和自动处理常规样本来协助临床医生。

伦敦大学学院的共同资深作者帕拉什凯夫·纳切夫教授说：“医疗AI的真正价值不在于以更低成本逼近人类专业知识，而在于实现比专家或简单统计模型更高的诊断、预后和处方能力。我们的工作表明，生成式AI将是这一使命的核心，不仅能改变临床支持系统的准确性，还能让它们洞察自身知识的局限性。这种‘元认知’意识——知道自己不知道什么——对临床决策至关重要，而在这里我们表明机器可能比我们更擅长这一点。”

研究团队指出，还需要进一步研究以提高系统速度，并在更多样化的患者群体中验证其性能，以确保准确性和公平性。

这项研究得到了三一挑战、威康信托、英国心脏基金会、剑桥大学医院NHS信托、巴茨健康NHS信托、NIHR剑桥生物医学研究中心、NIHR UCLH生物医学研究中心以及NHS血液和移植的支持。该工作由BloodCounts!联盟内的成像工作组开展，该联盟旨在利用AI改善全球血液诊断。西蒙·德尔塔达尔是剑桥大学露西·卡文迪什学院的成员。