急性髓系白血病（AML）是老年人最常见和致命的髓系恶性肿瘤之一，诊断的中位年龄在68-72岁之间。年龄超过60岁的AML患者比年轻的患者表现出更差的生存结局。因此，AML的早期诊断和准确分型对患者的治疗和预后具有重要意义。然而，在骨髓涂片图像中诊断和鉴别AML的不同亚型是一项复杂且耗时的任务。近年来，深度学习为医疗诊断的许多领域带来了新的可能性和突破，比如说在对皮肤癌的评估和基于病理图片对未知原发性肿瘤的评估等，其不仅可以提升临床诊断的准确率，还能减少人为因素对诊断结果的影响，提供更客观、一致的辅助诊断依据。因此，开发一种在急性髓系白血病中提高骨髓涂片图像分析准确率、减少诊断时间的方法显得尤为重要。
2023年3月21日，澳门·新葡萄新京6663/良渚实验室钱鹏旭研究员团队联合澳门·新葡萄新京6663医学院附属第一医院/良渚实验室黄河教授团队在Journal of Hematology & Oncology杂志在线发表了题为AMLnet, A deep-learning pipeline for the differential diagnosis of acute myeloid leukemia from bone marrow smears的研究论文。该研究中介绍了一种能够用于诊断不同亚型的AML的深度学习算法，在与多位医师的比较中，取得了能够与高级医师相当的诊断能力，并且能够提供显著性热图可视化骨髓涂片中为预测结果做出较大贡献的区域，为临床诊断医师提供辅助诊断依据。
为了解决这一临床问题，研究团队进行了一项回顾性研究，构造了一个大规模、时间跨度广泛的AML患者骨髓涂片数据库，该数据库包含了2010年至2021年间的8245张骨髓涂片图像，用于深度学习模型的训练和测试。
图1｜深度学习AMLNet概述
接下来，研究团队提出了一种名为AMLnet的深度学习模型，该模型能够完成两个阶段的任务，首先，它可以判断图像是否来自病人样本；其次，在图片水平上预测急性髓系白血病的不同分型，并提供Top-5的预测概率。针对含有多张骨髓涂片的患者，整合模型在不同涂片中所获得的预测结果，得到AMLnet在病人水平上的诊断结果，实现对患者的综合诊断预测。
AMLnet在独立的测试集上区分9种AML亚型时，在图像水平上的AUC达到了0.885，在病人水平达到了0.921。在与医师的比较中，AMLnet取得了高于初级医师，与高级医师相当的水平。这表明该模型在诊断AML的准确性和鲁棒性方面具有很高的潜力。同时，本模型采用Grad-CAM的深度神经网络可解释性方法，生成显著性热力图，用于理解模型的决策，证明其关注骨髓涂片中与临床诊断相关的重要区域。这有助于病理学家更好地理解模型的判断依据，从而提高诊断的准确性和可信度。
图2｜AMLnet在独立测试集的表现和与医师比较的结果
综上所述，本研究训练了基于深度学习框架的AMLnet，用于诊断和区分AML的不同亚型。研究表明，该方法可以在急性髓系白血病的筛查和早期诊断中发挥重要作用。通过应用AMLnet，可以减轻医生的阅片压力，提高患者生存质量，具有重大的临床意义和社会意义，特别是在医疗资源分布不平衡的地区，可以为临床诊断医师提供辅助诊断依据。
澳门·新葡萄新京6663干细胞与再生医学研究中心博士生俞泽斌、澳门·新葡萄新京6663医学院附属第一医院血液科李建虎医师为该工作的共同第一作者。澳门·新葡萄新京6663/良渚实验室钱鹏旭研究员、澳门·新葡萄新京6663医学院附属第一医院/良渚实验室黄河教授为通讯作者。
原文链接：
https://jhoonline.biomedcentral.com/articles/10.1186/s13045-023-01419-3
