儿科血液疾病如白血病、骨髓衰竭性疾病（BMF）等，严重威胁儿童身心健康，早期精准诊断是改善预后的关键。传统骨髓涂片有核细胞分类依赖经验丰富的血液病理医师，存在耗时、主观且一致性难保证的问题。哈尔滨医科大学附属第六医院团队联合多中心开展研究，评估基于人工智能（AI）的Morphogo骨髓细胞分析系统在儿科血液病样本中自动分类骨髓有核细胞的性能¹。研究纳入210例儿科患者样本，从分类准确率、耗时及疾病相关性三方面验证Morphogo的临床价值，结果显示该系统整体表现可靠，为儿科血液病早期筛查及骨髓有核细胞分析提供了自动化工具支持。医脉通特整理主要内容，以飨读者。

儿科血液疾病种类复杂，主要包括贫血、出血性疾病、白血病及BMF等，严重威胁儿童健康。其中，白血病在儿童癌症中占比最高（约32.89%），每年约有1.5万儿童被诊断为急性淋巴细胞白血病（ALL）或急性髓系白血病（AML）。此类疾病起病急、进展快，但早期诊断和治疗对改善预后至关重要。

目前，尽管免疫学、细胞遗传学等检测手段不断发展，但细胞形态学检查，尤其是骨髓涂片检查，仍是血液病诊断的基石。然而，传统的骨髓涂片镜检高度依赖血液病理医师的经验，其主观性强、耗时耗力，且不同医师间的诊断水平存在差异，可能影响早期检测的准确性。随着AI与计算机视觉技术的飞速发展，计算机辅助诊断技术为医疗诊断带来了新的可能。

Morphogo系统是一款集硬件与软件于一体的细胞形态分析系统，它能够基于AI自动扫描骨髓涂片、生成全数字化图像，并对有核细胞进行定位、预分类和计数。该系统采用卷积神经网络，能够识别超过35种不同类型的骨髓有核细胞。Morphogo工作流程如图1所示，包括：使用×40物镜扫描全片获取完整数字图像，然后由血液病理医师选定感兴趣区域，再使用×100物镜捕获该区域的细胞进行详细分析。

本研究旨在通过对比Morphogo系统与传统人工镜检方法，分析该系统在儿科血液病样本骨髓细胞分类中的性能与优势。

图1 Morphogo系统工作流程

本研究共纳入210例儿科患者的骨髓抽吸涂片样本，疾病类型涵盖原发免疫性血小板减少症（ITP）、增生性贫血、BMF、急性白血病（AL）、慢性粒细胞白血病（CML）及其它血液疾病。

研究的金标准为传统手工显微镜细胞计数，由两位血液病理医师分别进行初审和终审，意见不一致时引入第三位医师讨论达成共识。随后，将Morphogo的预分类结果与人工审核结果进行一致性比较和相关性分析，并统计各类细胞分类的敏感度、准确度、特异度等性能指标。

研究通过混淆矩阵评估了Morphogo对各类骨髓有核细胞的预分类准确性，结果见表1。总体而言，系统对涂片中原始细胞、早幼粒细胞、中性中幼粒、晚幼粒、杆状核、分叶核粒细胞，嗜酸/嗜碱中幼粒细胞，原红细胞，淋巴细胞，单核细胞，浆细胞等细胞的形态学预分类准确率超过87.8%。其中，中性中幼粒细胞（96.3%）、中性分叶核粒细胞（98.3%）、嗜酸性中幼粒细胞（99.2%）、嗜碱性中幼粒细胞（96.5%）、原红细胞（97.5%）和浆细胞（98.2%）的准确率尤其高，表明系统对这些细胞的识别能力与人工审核结果高度可比。

然而，原始细胞的分类准确率相对较低，仅为61.8%，显示出系统与人工审核在该类细胞判断上存在一定差异。此外，各类细胞的敏感度均在40.5%以上，平均为80.5%；但特异度在不同细胞间差异较大，平均值40.0%，其中浆细胞特异度最低（1.2%），中性杆状核粒细胞特异度最高（84.3%）。

表1 Morphogo对骨髓有核细胞的分类性能

研究对比了Morphogo与人工镜检在不同疾病类型样本中进行骨髓有核细胞分类所消耗的时间。结果如表2所示，Morphogo所需的总时间显著短于人工镜检（p<0.001），证明其能有效提升骨髓涂片细胞分类效率。

相关性分析进一步评估了二者结果的一致性。Morphogo自动分类结果与人工校对结果在多种疾病中均呈现显著正相关：ITP（r²=0.6714）、BMF（r²=0.7378）、增生性贫血（r²=0.486）、AL（r²=0.8576）、CML（r²=0.6623）及其它疾病（r²=0.62）。决定系数r²越接近1，表明模型拟合越好。其中，AL的相关性最高（r²>0.8），表明系统对该类疾病的分类结果与人工镜检结果非常接近。而增生性贫血的相关性相对较低（r²<0.5），提示模型预测结果与人工镜检结果差异较大。

表2 Morphogo与人工镜检对骨髓细胞分类时间的比较

本研究证实，基于AI的Morphogo系统能够快速、准确地对儿科患者骨髓涂片中的有核细胞进行分类，其分类结果与血液病理医师的复核结果具有高度一致性。这表明，Morphogo系统具有作为儿科血液疾病早期筛查自动化工具的潜力，并能作为骨髓有核细胞分类计数和分析的可靠工具，有望提高儿科血液学的诊断效率。

同时，研究也客观指出了当前系统的局限性，例如对原始细胞以及某些贫血类型（如增生性贫血）细胞的分类准确性有待进一步提高。未来研究可通过扩大和丰富训练样本库、优化针对特定细胞（如病态造血细胞、巨核细胞）的识别算法来提升系统性能。此外，将巨核细胞等对诊断至关重要的细胞类型纳入AI识别体系，也将使系统更加全面。总体而言，这项研究为AI在儿科血液病形态学诊断领域的临床应用提供了有价值的证据。