2023年 · 第46卷第03期

血细胞形态学检查是血细胞分析的重要复检手段，也是以细胞病变为病理改变的血液病诊断的基础。人工智能辅助血细胞形态学检查可有效弥补人工显微镜检查方法的不足，极大提高细胞形态学检验的工作效率，很大程度上解决人力不足和劳动强度的问题，明显提高检验结果的重复性，便于检验结果的审核及复检，可以实现远程在线血细胞形态学检验和诊断等。但我国目前血细胞形态学检查方法仍是以人工显微镜检查为主要方法，为促进和拓展人工智能辅助血细胞形态学检查的临床应用，自动化血细胞形态分析仪研发生产商及临床检验专家应共同致力于推动自动化血细胞形态学分析的标准化，加强其性能评价及验证，不断提高其分析性能，拓展其临床应用范围，推进我国血细胞形态学数据库的建设。

以骨髓涂片为主和/或血片进行的血液病形态学检查，需要与时俱进。几种形态学方法之间需要进行优化互补，四片（骨髓涂片、血片、骨髓印片和骨髓切片）联检即是一种较为完善的整合模式，与有意义的形态学新检验项目一起，可以明显地提升形态学的可靠诊断。同时在诊断思路上也需要进行扩展与深化，整合临床、免疫表型和遗传学思路，并以诊断证据与规则为标尺，已是现代形态学检验诊断的主旋律。

血细胞形态学检查在引起白细胞、红细胞、血小板变化的相关临床疾病诊疗过程中起着非常重要的作用，也是目前临床实验室血细胞分析的重要复检手段。人工显微镜下血细胞形态学检查被认为是标准方法，但存在的不足明显限制了其广泛开展和深入应用。人工智能辅助血细胞形态学检查具有检验效率高、重复性好、便于结果审核和确认等性能特点，但该技术方法还存在诸多不完善的方面，在应用时需要制定科学、规范、有效的检验流程和操作程序。为此白求恩精神研究会检验医学分会等3家学术团体组织专家结合文献学习和来自全国多家医疗机构的专家临床工作总结制定了本专家共识。共识包括术语和定义、标本采集和血涂片制备、血涂片染色、临床应用范围、检测系统的性能评估、阅片方式和数据采集、结果分析和报告、数据保存共享和再利用、检验人员的能力要求、标准化共10个方面的内容，提出了28条专家建议。

检验样本的转运和保存是检验全程管理的重要阶段，由于其过程复杂、影响因素多、操作难以规范，因此也是实验室管理的难点和痛点。为规范临床检验样本的转运和保存，符合样本质量控制和实验室生物安全要求，保证检验结果的准确性，制定该专家共识。共识从转运人员资质和培训、样本包装和时限、样本交接和验收、自动化物流系统、意外时应急处理、样本保存和应用等方面的具体要求进行阐述，并跟踪和监测整个运输过程，以进一步提高管理质量和效率。

目的 评估人工智能（AI）血细胞形态分析仪（AI阅片机）对外周血白细胞检测的性能。 方法 多中心研究。（1）从全国11家三级医院收集3 010份静脉血标本，用AI阅片机进行14类白细胞分析，并且将预分类结果与资深形态学专家审核后结果进行比较，以此评估AI阅片机白细胞预分类的符合率、检出率、特异度和一致性。（2）从3 010份血液标本中选取400份血液标本（预分类人工审核后含异常白细胞的标本不少于50%），由形态学专家进行人工镜检并分析人工审核后的WBC分类结果和专家显微镜镜检结果之间的相关性。（3）从3 010份血液标本中找出诊断为淋巴瘤、急性淋巴细胞白血病、急性髓系白血病、骨髓增生异常综合征和骨髓增殖性肿瘤患者的标本结果，通过比较预分类和专家审核后结果，反映AI阅片机对这5种恶性血液病中具有重要临床意义的异常白细胞的预分类的能力。WBC预分类和专家审核结果的一致性分析采用Cohen′s Kappa 检验，比对试验采用Passing-Bablok回归分析，并根据公式统计符合率、检出率、特异度、准确度。 结果 （1）AI阅片机可对14类白细胞及有核红细胞进行预分类，与形态学专家审核后结果对比，白细胞总的预分类符合率达97.97%，其中正常类型白细胞预分类符合率均>96%，总的异常白细胞预分类符合率>87%。（2）AI阅片机专家审核后结果与人工镜检对比，各种白细胞类型及有核红细胞均具有较好的相关性（中性粒细胞、淋巴细胞、单核细胞、嗜酸性粒细胞、嗜碱性粒细胞、各阶段幼稚粒细胞、原始细胞、有核红细胞、恶性细胞均r>0.90，反应性淋巴细胞r=0.85），参考国际血液学复检专家组定义的白细胞阳性血涂片标准，AI阅片机对白细胞异常标本具有与人工镜检同等的筛查能力。（3）对5种恶性血液病中有较大意义的白细胞与形态学专家审核后结果进行对比，AI阅片机对原始细胞预分类符合率均>84%，检出率均>94%。在急性髓系白血病中，异常早幼粒细胞检出率为95.40%。 结论 AI阅片机对外周血中各类型白细胞的预分类结果与专家审核后结果的总体符合率和检出率均较高，与人工镜检结果具有良好的相关性，且为恶性血液疾病的筛查提供了高效的辅助检测手段。

目的 探讨人工智能（AI）细胞形态分析系统在急性髓系白血病（AML）形态学诊断及疗效评估中的应用价值。 方法 收集2021年6月1日至2022年7月31日在中国医学科学院血液病医院住院和门诊的150例初诊或治疗后急性髓系白血病患者骨髓涂片样本进行回顾性分析。其中初诊组50例，包括男28例，女22例，发病年龄43.5（32.3，58.8）岁；治疗后组100例，包括男36例，女64例，发病年龄34.5（23.0，47.0）岁。以形态学专家分析结果作为金标准，评价AI细胞形态分析系统在AML诊疗中对原始细胞识别的准确性、敏感度及特异度。 结果 初诊组50份样本AI分析原始细胞比例均≥20%，达到AML诊断标准。AI分析原始细胞的准确性为90.3%、敏感度为85.5%、特异度为98.0%。AI与专家分析的原始细胞比例呈正相关（r=0.882，P<0.001）。治疗后组AI分析原始细胞的敏感度为89.7%、特异度为99.2%。AI与专家分析的原始细胞比例呈正相关（r=0.957，P<0.001）。应用AI分析数据判定，该组有8例样本AI对AML疗效评估结果与专家分析不一致。 结论 AI细胞形态分析系统在AML形态学诊断及疗效评估中对原始细胞识别准确性及敏感度高、特异度好。

目的 探索人工智能（AI）骨髓细胞识别技术在白血病微小残留病（MRD）检测上的诊断价值及问题。 方法 收集陆军军医大学附属新桥医院血液病医学中心2020年11月1日至12月31日间经流式细胞术检查确认的白血病MRD患者65例，调取其骨髓瑞氏染色涂片，通过基于AI平台的分析系统对所有骨髓涂片进行无人工干预的全自动扫描及细胞分类。将AI细胞分类中原始细胞比例>3%者诊断为AI-MRD。按AI自动识别细胞数量，将病例分为识别细胞数少于500组（L500组）18例、识别细胞数500~1 900组（B1900组）35例、识别细胞数大于1 900组（M1900组）12例，组间病例无重合、遗漏。以多参数流式细胞仪（MFC）-MRD结果为标准绘制每组患者人工智能检测结果的受试者工作特征（ROC）曲线并计算各组曲线下面积（AUC）值和AI结果的敏感度、特异度、准确度。 结果 按AI自动识别细胞数量分组后，L500组检测结果MFC-MRD+/AI-MRD+7例、MFC-MRD+/AI-MFC-2例、MFC-MRD-/AI-MRD+6例、MFC-MRD-/AI-MRD-3例；B1900组检测结果MFC-MRD+/AI-MRD+13例、MFC-MRD+/AI-MFC-6例、MFC-MRD-/AI-MRD+6例、MFC-MRD-/AI-MRD-10例；M1900组检测结果MFC-MRD+/AI-MRD+5例、MFC-MRD+/AI-MFC-0例、MFC-MRD-/AI-MRD+1例、MFC-MRD-/AI-MRD-6例。以MFC-MRD为确定标准，L500组、B1900组、M1900组AI-MRD检测的敏感度分别为53.8%、68.4%、83.3%，特异度分别为60.0%、62.5%、100%，准确度分别为55.6%、65.7%、91.7%，AUC值分别为0.568（P=0.654）、0.678（P=0.069）、1.000（P<0.001）。 结论 初步探索了AI骨髓细胞识别在白血病MRD检测中的诊断价值及问题，证实当将AI细胞分类中原始细胞比例>3%设为AI-MRD阳性阈值时，随着AI识别细胞数量的增多，AI与MFC-MRD检测的一致性随之增高。

目的 评价人工智能图像分析技术对骨髓细胞形态的识别效能。 方法 回顾性研究。2019年12月1日至2020年12月31日在河北医科大学第二医院就诊患者的骨髓标本。选取骨髓标本100份，患者来源包括慢性髓系细胞白血病23例、骨髓增生异常综合征4例、慢性淋巴细胞白血病8例、多发性骨髓瘤5例、急性白血病7例、慢性贫血患者32例、感染患者6例及正常骨髓象15名。其中男45例，女55例，年龄52（37，66）岁，骨髓涂片经瑞-姬染色后，应用AI分析系统和人工审核对13种骨髓有核细胞进行分类，以人工审核结果为金标准，比较两种方法的结果差异，应用统计学软件绘制混淆矩阵，人工审核结果与AI分析系统预分类结果符合度采用Kappa一致性检验方法进行统计；应用Pearson检验分析AI系统预分类和手工镜检分类结果的一致性。选取临床已确诊的MDS和AML骨髓标本各30例，比较AI分析系统人工审核与手工镜检2种方法分类计数原始细胞百分比结果的差异性，以评估AI分析系统的临床应用价值。 结果 应用AI分析系统扫描共获得76 630张13种骨髓有核细胞的高清单一彩色图像；13种骨髓有核细胞分类计数的加权平均实验诊断效率参数为：敏感度95.82%，特异度99.19%，准确度98.89%，假阳性率81.00%，假阴性率4.18%；AI分析系统预分类结果和手工镜检分类结果的相关性显示：原始细胞、早幼粒细胞、中性中幼粒细胞、中性晚幼粒细胞、中性杆状核粒细胞、中性分叶核粒细胞、嗜酸性粒细胞、嗜碱性粒细胞、中幼红细胞、晚幼红细胞及淋巴细胞均具有较好的正相关性（r>0.70，P<0.001）；AI分析系统与手工镜检2种方法对MDS原始细胞的计数结果差异无统计学意义（P>0.05），对AML原始细胞计数差异有统计学意义（P<0.01），但由于原始细胞计数均≥20%，符合AML的分型诊断标准。 结论 AI分析系统对13种骨髓有核细胞分类计数有较好的敏感度、特异度和准确度。

目的 观察并分析初诊急性白血病患者骨髓及外周血形态学特点。 方法 收集2015年10月1日至2021年12月31日在徐州医科大学附属医院血液科1 151例初诊急性白血病患者，年龄47（26，62）岁，男602例，女549例，观察骨髓及外周血涂片形态学特点，综合形态学、免疫学、细胞遗传学、分子生物学诊断结果，在急性髓系白血病（AML）与急性淋巴细胞白血病（ALL）之间，AML伴RUNX1-RUNXITI基因、AML伴CBFβ/MYH11基因、急性早幼粒细胞白血病（APL）伴PML/RARA基因、AML伴NPM1基因、其余AML之间以及Ph+ALL与Ph-ALL之间进行比较，采用卡方检验，统计柴捆细胞、假Chediak-Higashi（PCH）包涵体、胞浆细小颗粒、核切迹、白血病细胞有杯口样改变（杯口细胞）比例差异；微小巨核、早期幼稚粒细胞、浆细胞、高嗜酸粒细胞等伴随细胞出现差异及“葡萄状”聚集分布差异。总结不同类型急性白血病细胞自身形态学特点、伴随细胞出现情况及排布方式之间的变化差异。 结果 AML与ALL之间，胞浆Auer小体［（45.5%比0），χ2=211.400］、PCH包涵体［（28.9%比0），χ2=114.100］、胞浆细小颗粒［（20.7%比2.9%），χ2=53.798］、核切迹［（0.7%比6.1%），χ2=30.906］、杯口细胞［（4.9%比0.3%），χ2=13.495］比例差异均有统计学意义（P均<0.01）。微小巨核［（22.4%比0.3%），χ2=80.398］、浆细胞［（87.6%比10.6%），χ2=604.241］、高嗜酸粒细胞［（15.3%比1.0%），χ2=46.116］等伴随细胞出现以及“葡萄状”聚集分布上差异均有统计学意义（P均<0.01）。AML伴RUNX1-RUNXITI基因以空泡与PCH包涵体变化较为明显、AML伴CBFβ/MYH11基因以高嗜酸粒细胞出现增多较为明显、APL伴PML/RARA基因以柴捆细胞增多较为明显、AML伴NPM1基因以杯口细胞增多较为明显。各组之间细胞核染色质、核仁、空泡形态也不相同；Ph+ALL与Ph-ALL之间比较，Ph+ALL更容易出现早期幼稚粒细胞与浆细胞（P均<0.05）。 结论 AML与ALL之间在白血病自身细胞特点，伴随细胞出现规律，聚集分布方式等方面存在显著差异。AML伴特定遗传学异常各亚型之间在出现空泡、PCH包涵体、高嗜酸粒细胞、柴捆细胞、杯口细胞变化等方面各具特点。Ph+ALL更容易出现早期幼稚粒细胞与浆细胞。

目的 探讨新红细胞参数小红细胞贫血因子（MAF）和低血红蛋白密度（LHD%）在筛查献血人群铁缺乏中的诊断价值。 方法 采用分层抽样，按照性别不同随机抽取2022年1月1日至2月28日在福建省血液中心进行单采血小板捐献的400名献血者，年龄36（28，46）岁，其中男女各200名。根据《血液病诊断及疗效标准》第4版，将其分为健康组299例，储铁缺乏（ID）组54例和缺铁性红细胞生成（IDE）组47例，检测血常规指标血红蛋白（HGB）、平均红细胞体积（MCV）、平均红细胞血红蛋白含量（MCH）、平均红细胞血红蛋白浓度（MCHC）和铁代谢指标血清铁蛋白（SF）、血清铁（SI）、总铁结合力（TIBC）、转铁蛋白饱和度（TS）、不饱和铁结合力（UIBC），并通过公式计算MAF和LHD%。单因素方差分析或Kruskal-Wallis H检验分析健康组、ID组和IDE组指标之间的差异，Spearman法评估MAF和LHD%与铁代谢指标的相关性，采用受试者操作特征（ROC）曲线评价MCH、MCHC、MAF和LHD%对献血者铁缺乏的诊断价值。 结果 ID组的MAF为11.81±0.81，高于IDE组的10.69±0.95，低于健康组的13.17±1.24，3组比较差异具有统计学意义（F=110.784，P<0.001），组间两两比较差异均具有统计学意义（P<0.01）；ID组的LHD%为2.61（1.87，3.91）%，低于IDE组的5.60（2.99，8.02）%，高于健康组的1.74（1.22，2.73）%，3组比较差异具有统计学意义（H=62.166，P<0.001），组间两两比较差异均具有统计学意义（P<0.01）。Spearman相关性分析显示，101例铁缺乏组中，MAF与SF、SI和TS呈正相关（r=0.426，P<0.01；r=0.547，P<0.01；r=0.566，P<0.01），LHD%与SF、SI和TS呈负相关（r=-0.397，P<0.01；r=-0.400，P<0.01；r=-0.479，P<0.01）。MCH、MCHC、MAF和LHD%诊断ID的ROC曲线下面积分别是0.745、0.646、0.819和0.646，此时当MAF临界值取12.56，敏感度为67.90%，特异度为83.30%；各对应指标诊断IDE的ROC曲线下面积分别是0.901、0.834、0.941和0.834，此时当MAF临界值取11.73，敏感度为87.60%，特异度为87.20%。 结论 MAF对铁缺乏尤其是IDE具有较高的诊断价值，可作为无偿献血者铁缺乏的筛查指标。

目的 探讨基于患者数据的实时质量控制（PBRTQC）方法在实验室内不同血细胞分析仪间比对中的应用价值。 方法 收集2020年4月1日至2021年3月31日河北省儿童医院检验科5台不同品牌和不同型号血细胞分析仪中患者白细胞计数及每日新鲜静脉血比对结果，首先应用PBRTQC专业智能软件系统进行参数设置、程序建立及性能验证，选择白细胞计数低浓度（2.5~4.5）×109/L、中浓度（6.0~8.0）×109/L、高浓度（12.0~14.0）×109/L为3个比对浓度范围，分别利用指数加权移动平均法（EWMA）和中位数法对白细胞计数进行计算和比较分析，并将EWMA和每日新鲜血比对法所得设备间偏差进行比较分析。以WS/T 406-2012《临床血液学检验常规项目分析质量要求》中白细胞可比性验证要求允许偏差±7.50%作为白细胞计数仪器间比对相对偏差标准。 结果 （1）在统计周期共纳入38 313个样本结果，基于本室白细胞计数患者数据建立的EWMA质控法，出现预警结果70个，预警率为0.183‰，误差检出概率为100%，假失控概率为0，EWMA质控效能符合质量目标。（2）以高浓度为例，5台血细胞分析仪结果可比性监测中，每周比对及每月比对时EWMA与中位数法结果符合率为100%（46/46），每日比对中，EWMA可以保持比较稳定的监测效能。（3）在所选自然月中，EWMA法与新鲜血比对法一致率为95.24%（20/21）。 结论 PBRTQC法可作为室内质控的补充，对实验室内不同品牌和不同型号血细胞分析仪设备间检测结果的一致性进行连续有效的监测，以降低质量风险和实验室运行成本，提高实验室的管理效率。

目的 为我国34个常规化学检验项目推荐允许总误差（TEa）、允许不精密度（CV）和允许偏倚（Bias）。 方法 根据意大利米兰会议最新确定的性能规范设定模式，基于生物学变异（BV）和基于当前技术水平模式导出性能规范。通过Clinet-EQA软件收集参加国家卫生健康委临床检验中心2019至2021年常规化学和脂类分析EQA活动实验室的数据（包括EQA数据和IQC数据）。对于有BV数据的检验项目，将各研究项目EQA数据的“百分差值”、IQC数据的“当月在控CV”分别与基于BV导出的3种水平评价标准比较，计算各年份所有批号的百分差值通过率和CV通过率，当通过率达到80%，则该水平的性能规范满足作为该项目推荐性能规范的要求。对于无BV数据的检验项目或者基于BV导出的3种水平性能规范均无法作为推荐标准的检验项目，则基于当前技术水平来导出推荐性能规范。各检验项目在获得推荐TEa和允许CV后，利用公式|Bias|≤TEa-z×CV导出推荐允许Bias。 结果 34个检验项目推荐的TEa（CV）%结果如下：K4.7（2），Na4（1.5），Cl 4（1.4），Ca5（2），P9.6（3.9），Glu6.4（2.5），Urea8（3），UA12（4.1），Cre11（3.3），TP5（2），Alb5.2（2.4），TC8.6（2.7），TG13.5（5），HDL-C16.5（4.3），LDL-C20.5（6.2），ApoAⅠ16（5.3），ApoB 17.1（5.5），Lp（a）24.1（10.4），TBil 12.4（5），DBil20（7.3），ALT16（5），AST13.5（4.8），ALP17.5（4.8），AMY13.1（3.3），CK11.3（3.8），LDH11（3.9），CHE13.4（5.3），LIP20（6.9），Fe13.3（5.2），Mg14（4.5），Cu17.9（6.8），Zn15.1（6.4），γ-GGT10（3.3），α-HBDH18（5.8）。利用公式|Bias|≤TEa-z×CV导出34个检验项目允许Bias。 结论 为34个临床常规化学定量检验项目推荐了符合我国实验室当前检测水平的允许总误差、允许不精密度和允许偏倚。

利用人工智能辅助血细胞形态学检查具有十分广阔的临床应用前景，它可以大幅提高工作效率，减轻人力负担，避免主观化，有利于实现标准化。其主要的重点和难点在于图像获取、图像分割、细胞识别与分类等几个关键的技术环节。近年来，无论是硬件设备还是软件算法都进展迅速，这使得人工智能辅助系统从数字图像采集、白细胞分割到细胞特征提取、分类等方面都出现了重要的发展。其中，相对于传统的机器学习而言，深度学习技术在血细胞形态学识别方面的应用尤其值得关注。此外，显微血细胞图像数据库的不断涌现也为各种算法技术的进一步发展和完善提供了重要支撑。了解人工智能辅助血细胞形态学检查的关键技术进展将有利于推进其不断发展，更好地走向临床应用。近年来人工智能技术从“传统的机器学习”向“深度学习”转变，不再依赖于人工提取特征，而是依靠其自动抽取数据的能力来实现。与国外血细胞图像数据库相比，国内数据库还有较大差距，应加强此方面的建设。