人工智能加速流式细胞术对B淋巴细胞白血病可测量残留病的判读

　　为解决流式细胞术（FC）检测B细胞急性淋巴细胞白血病（B-ALL）可测量残留病（MRD）时存在的高度专业依赖与耗时问题，研究人员开发了一种基于人工智能（AI）的数据增强流程。该研究通过深度神经网络（DNN）分类器和异常度量技术，实现了对正常造血细胞的高精度识别（F1=0.86）及MRD细胞的准确判别（AUC≥0.94），将单样本分析时间缩短至1.01分钟，且与传统方法保持100%一致性与高定量相关性（R2=0.92），显著提升了B-ALL MRD临床检测的可及性与效率。

　　

在血液肿瘤诊疗领域，准确评估治疗后的疾病残留状态对患者预后判断和治疗策略调整具有决定性意义。B细胞急性淋巴细胞白血病（B-ALL）作为一种常见血液系统恶性肿瘤，其治疗过程中对可测量残留病（Measurable Residual Disease, MRD）的监测尤为关键。流式细胞术（Flow Cytometry, FC）凭借其高灵敏度和多参数分析能力，已成为MRD检测的重要工具。然而，这一技术在实际应用中却面临两大瓶颈：一方面，数据的解读高度依赖经验丰富的血液病理学家，他们需从海量细胞事件中识别出极其微小的肿瘤细胞群体，这一过程既费时又费力；另一方面，由于分析过程的复杂性和主观性，该技术在全球范围内尚未得到广泛普及，许多临床实验室望而却步。正因如此，开发一种能够加速且简化流式细胞数据解读过程的方法，成为临床实践与科研攻关的迫切需求。

在这一背景下，Jansen N Seheult、Gregory E Otteson等来自梅奥诊所血液病理学科的研究团队开展了一项创新性研究，旨在利用人工智能技术提升流式细胞MRD分析的效率与可及性。他们成功构建了一套数据增强型人工智能流程，可显著缩短分析时间并保持高精度，相关成果已发表在血液学权威期刊《Blood Advances》上。

为开展本研究，团队收集了171例MRD阳性与89例MRD阴性的B-ALL患者未经篡改的流式细胞原始数据文件，并基于31例经专家人工设门的阴性对照样本对AI模型进行训练。关键技术方法包括：采用聚类知情降采样技术大幅降低数据量，平均每例样本细胞数从120万降至15.6万，在保留低比例MRD群体（中位保留率100%，MRD＜1%）的同时，通过校正因子计算真实MRD比例；应用深度神经网络（DNN）分类器实现正常造血细胞亚群的自动识别；开发AI异常评分指标以区分恶性与良性细胞群体；最终通过云平台实现分析流程的集成与部署。

AI增强流程显著提升数据解读效率

通过聚类引导的降采样策略，研究团队成功将每例样本的平均细胞数从120万降低至15.6万，降幅高达87%，但关键的小群体MRD细胞——即便是比例低于0.01%的极小群体——仍被完整保留。这一步骤不仅极大减轻了计算负担，也为后续人工复核和自动分析提供了清晰且具有代表性的数据基础。

深度神经网络实现高精度细胞分类

研究团队训练了一个深度神经网络模型，用于自动识别各类正常造血细胞。该模型在宏平均F1分数上达到0.86，显示出其对粒细胞、单核细胞、淋巴细胞等主要细胞类别出色的区分能力。这一步骤为后续准确识别“异常”的MRD细胞奠定了坚实基础。

AI异常度量有效区分恶性与良性细胞

研究者进一步提出了一种基于人工智能的异常评分方法，用于判别B-ALL肿瘤细胞和正常细胞。该方法在区分肿瘤细胞与良性单个核细胞时，曲线下面积（AUC）高达0.98；在更具挑战性的、区分肿瘤细胞与正常B淋巴细胞的任务中，AUC也达到了0.94，表明其极高的鉴别能力。

人工分析时间大幅缩短且与金标准高度一致

经AI预处理后的数据文件，由专业人员进行最终判读所需的时间平均仅为1.01分钟（标准差0.57），效率提升显著。更重要的是，AI增强的分析结果与传统的全手动分析方法相比，在阳性符合率和阴性符合率上均达到100%（针对MRD ≥ 0.01%的临界值）。两者对MRD的定量结果也呈现极佳的相关性，确定系数R2为0.92。

本研究成功开发并验证了一种基于云端人工智能的流式细胞数据增强解决方案，该方案能够极大加速B-ALL MRD的分析进程，同时不牺牲检测的准确性与可靠性。它不仅将专家从繁琐的海量数据筛查中解放出来，更使得这一高精尖技术有望摆脱对顶级专家的绝对依赖，从而被更多普通临床实验室所采用。研究的最终意义在于，通过人工智能赋能传统诊断技术，打通了MRD流式细胞检测从“顶尖医院专用”走向“广泛临床普及”的关键路径，对推动精准医疗实践、优化血液肿瘤诊疗流程具有深远影响。