📢 转载信息
原文链接：https://www.sciencedaily.com/releases/2026/01/260112214317.htm
原文作者：University of Cambridge
一种新的人工智能系统，通过检查血细胞的形状和结构，可以显著改善白血病等疾病的诊断方式。研究人员表示，该工具能以比人类专家更高、更稳定的准确性识别异常细胞，从而可能减少漏诊或不确定的诊断。
该系统被称为 CytoDiffusion，它依赖于生成式AI，也就是与DALL-E等图像生成器相同的技术，来详细分析血细胞的外观。它不只关注明显的模式，而是研究细胞在显微镜下外观的细微变化。
超越模式识别
许多现有的医疗AI工具被训练用来将图像分类到预定义的类别中。相比之下，CytoDiffusion 团队证明，他们的方法可以识别出正常血细胞外观的全范围，并可靠地标记出可能预示疾病的罕见或不寻常的细胞。这项工作由剑桥大学、伦敦大学学院和伦敦女王玛丽大学的研究人员领导，研究结果发表在《Nature Machine Intelligence》上。
识别血细胞大小、形状和结构上的微小差异是诊断许多血液疾病的关键。然而，要精通这一点需要多年的经验积累，即使是经验丰富的医生在回顾复杂病例时也可能存在分歧。
剑桥大学应用数学与理论物理系的Simon Deltadahl是该研究的第一作者，他说："我们都有许多不同类型的血细胞，它们在体内具有不同的特性和不同的作用，" 例如，白细胞专职对抗感染。"但在显微镜下识别出异常或患病的血细胞是诊断许多疾病的重要组成部分。"
处理血液分析的规模
一张标准的血液涂片可能包含数千个单独的细胞，远超乎人眼可以逐一检查的数量。Deltadahl说："人类无法查看涂片中的所有细胞——这根本不可能。" 我们的模型可以自动化这一过程，分流常规病例，并高亮显示任何异常情况供人工复核。"
临床医生对这一挑战非常熟悉。伦敦女王玛丽大学的合著者之一、血液学初级医生Dr. Suthesh Sivapalaratnam说："作为一名初级血液科医生时，我面临的临床挑战是，工作一天后，我需要分析大量的血涂片。" 我在深夜分析它们时，越来越确信AI会比我做得更好。"
基于前所未有的数据集进行训练
为了构建CytoDiffusion，研究人员使用了在剑桥Addenbrooke's医院收集的超过五十万张血液涂片图像对其进行训练。该数据集被描述为同类中规模最大的，包含了常见的血细胞类型、罕见样本以及通常会使自动化系统感到困惑的特征。
AI模型没有简单地学习如何将细胞分离成固定类别，而是模拟了血细胞可能出现的所有外观范围。这使得它对不同医院、显微镜和染色技术的差异具有更强的弹性，同时也提高了它检测罕见或异常细胞的能力。
以更高的信心检测白血病
在测试中，CytoDiffusion 识别与白血病相关的异常细胞的敏感性远高于现有系统。即使使用少得多的样本进行训练，它的表现也与当前领先的模型一样好或更好，并且还能够量化它对其自身预测的置信度。
"当我们测试其准确性时，该系统略优于人类，" Deltadahl说。"但它真正脱颖而出的是它知道自己何时不确定。我们的模型绝不会在不确定时给出确定的错误回答，而这正是人类有时会犯的错误。"
剑桥大学应用数学与理论物理系的合著者之一Professor Michael Roberts教授表示，该系统是根据医疗AI在现实世界中面临的挑战进行评估的。"我们根据现实世界AI中遇到的许多挑战来评估我们的方法，例如前所未见的图像、由不同机器捕获的图像以及标签的不确定程度，" 他说。"这个框架提供了模型性能的多方面视图，我们相信这对研究人员将是有益的。"
AI生成的图像能骗过人类专家
该团队还发现，CytoDiffusion 可以生成与真实血细胞难以区分的合成图像。在一项涉及十名经验丰富的血液科医生的“图灵测试”中，专家们区分真实图像和AI生成图像的成功率与随机猜测无异。
"这真的让我很惊讶，" Deltadahl说。"这些人整天都在盯着血细胞看，但他们也分辨不出来。"
向全球研究界开放数据
作为该项目的一部分，研究人员正在发布他们所称的全球最大规模的公开外周血涂片图像集，共计超过五十万个样本。
Deltadahl说："通过使这项资源公开化，我们希望能够赋能全球研究人员构建和测试新的AI模型，促进高质量医疗数据的普及，并最终为改善患者护理做出贡献。"
支持而非取代临床医生
尽管取得了强劲的结果，研究人员仍然强调，CytoDiffusion 并非旨在取代受过训练的医生。相反，它的设计目标是通过快速标记出令人担忧的病例和自动处理常规样本来协助临床医生。
UCL的合著者之一Professor Parashkev Nachev教授说："医疗保健AI的真正价值不在于以更低的成本来近似人类专业知识，而在于实现比专家或简单统计模型所能达到的更强的诊断、预后和处方能力。" 我们的工作表明，生成式AI将是实现这一使命的核心，不仅能改变临床支持系统保真度，还能改变它们对其自身知识局限性的洞察力。这种‘元认知’意识——知道自己不知道什么——对临床决策至关重要，而我们在这里表明机器可能比我们做得更好。"
该团队指出，还需要进行额外研究，以提高系统的速度，并验证其在更多样化的患者群体中的性能，以确保准确性和公平性。
该研究得到了Trinity Challenge、Wellcome、英国心脏基金会、剑桥大学医院NHS信托基金、Barts Health NHS信托基金、NIHR剑桥生物医学研究中心、NIHR UCLH生物医学研究中心以及NHS血液与移植机构的支持。这项工作由BloodCounts!联盟内的成像工作组完成，该联盟旨在利用AI改善全球血液诊断。Simon Deltadahl是剑桥大学露西·卡文迪许学院的研究员。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，文档丰富，小白也可以简单操作。
评论区