基于深度学习的骨髓细胞分类研究综述.docVIP

基于深度学习的骨髓细胞分类研究综述

一、骨髓细胞分类的临床需求与传统方法局限

血液系统疾病的准确诊断高度依赖骨髓细胞形态学分析，在白血病、贫血、骨髓增生异常综合征（MDS）等疾病的临床诊疗路径中，骨髓细胞分类计数是核心诊断指标之一。正常骨髓中包含粒细胞、红细胞、巨核细胞、淋巴细胞、单核细胞等多个细胞谱系，每个谱系又可细分为原始、幼稚、成熟等不同发育阶段，细胞形态随分化过程呈现连续性变化，且不同病理状态下会出现形态畸变，这对人工镜检的准确性和效率提出了极高要求。传统骨髓细胞分类依赖临床检验医师的人工镜检，通常需要在光学显微镜下观察骨髓涂片瑞氏-吉姆萨染色样本，对数百个细胞逐一识别分类并计算各谱系比例，一名经验丰富的医师完成一份样本的分类平均需要15-30分钟，在血液科患者集中的三甲医院，检验科室日均需要处理上百份骨髓样本，人工分类的工作负荷极大，且结果容易受到医师经验、视觉疲劳、染色质量等主观和客观因素影响，不同医师对同一标本的分类结果一致性仅在70%-85%之间，对于少见细胞类型和异常形态细胞的识别差异更为显著。

传统计算机辅助细胞分类方法主要基于手工设计的形态学特征，包括细胞大小、核质比、核形态、染色质纹理、胞质颜色等，通过阈值分割、边缘检测、特征提取结合支持向量机、随机森林等传统机器学习模型实现分类。这类方法在细胞形态规则、染色标准化的场景下可以取得80%左右的准确率，但对于骨