📢 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，该工具能够以比人类专家更高的准确性和一致性识别异常细胞，从而有望减少漏诊或诊断不确定性。
该系统被称为 CytoDiffusion，它依赖于生成式AI——与DALL-E等图像生成器所使用的技术相同——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工具经过训练，用于将图像分类到预定义的类别中。相比之下，CytoDiffusion 团队展示了他们的方法能够识别所有正常的血细胞外观范围，并可靠地标记可能预示疾病的罕见或不寻常的细胞。这项工作由来自剑桥大学、伦敦大学学院和伦敦玛丽女王大学的研究人员领导，研究成果发表在《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，而且即使是训练有素的医生在审查复杂病例时也可能存在分歧。
该研究的第一作者、剑桥大学应用数学与理论物理系的 Simon Deltadahl 说："我们身体内有许多不同类型的血细胞，它们具有不同的特性和不同的作用。"例如，白细胞专门负责对抗感染。"但是，知道显微镜下不寻常或患病血细胞的样子是诊断许多疾病的重要组成部分。"
处理血液分析的规模
标准的血液涂片可能包含数千个单个细胞，远超一个人可以一一检查的范围。Deltadahl 说道："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，对常规病例进行分类，并突出显示任何异常情况供人工审查。"
临床医生对这一挑战非常熟悉。伦敦玛丽女王大学的合著者之一、Dr. Suthesh Sivapalaratnam 博士说："作为一名初级血液学医生，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。" "在我深夜分析它们时，我越来越确信人工智能会比我做得更好。"
在空前规模的数据集上进行训练
为了构建 CytoDiffusion，研究人员使用剑桥Addenbrooke's医院收集的超过五十万张血液涂片图像对其进行了训练。该数据集被描述为同类中规模最大的，包括常见的血细胞类型、罕见样本，以及通常会使自动化系统感到困惑的特征。
与仅仅学习如何将细胞分成固定类别不同，该AI建模了血细胞可能出现的整个范围外观。这使得它对不同医院、显微镜和染色技术之间的差异更具弹性，同时也提高了它检测罕见或异常细胞的能力。
以更高的置信度检测白血病
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，并且它还能够量化其对自身预测的置信度。
"当我们测试其准确性时，该系统比人类略胜一筹，"Deltadahl 说道。"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声称确定，但人类有时会这样做。"
剑桥大学应用数学与理论物理系的合著者、Professor Michael Roberts 表示，该系统是针对医疗AI在现实世界中面临的挑战进行评估的。"我们针对真实世界AI中遇到的许多挑战评估了我们的方法，例如从未见过的图像、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是有益的。"
当AI图像愚弄人类专家时
研究小组还发现，CytoDiffusion 能够生成看起来与真实血细胞无法区分的合成图像。在一项涉及十名经验丰富的血液学家的“图灵测试”中，专家们区分真实图像与人工智能生成的图像的成功率与随机猜测无异。
"这确实让我感到惊讶，"Deltadahl 说。"这些人每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说的全球最大的公开可用的外周血涂片图像合集，总计超过五十万个样本。
"通过开放这个资源，我们希望能够赋能全球研究人员来构建和测试新的AI模型，实现高质量医疗数据获取的民主化，并最终为更好的患者护理做出贡献，"Deltadahl 说。
支持，而非取代临床医生
尽管取得了强劲的结果，研究人员强调，CytoDiffusion 并非旨在取代受过训练的医生。相反，它是设计用来通过快速标记令人担忧的病例和自动处理常规样本来协助临床医生的。
UCL 的合著者Professor Parashkev Nachev 表示："医疗保健AI的真正价值不在于以更低的成本来近似人类的专业知识，而在于实现比专家或简单统计模型所能达到的更强大的诊断、预后和治疗能力。" "我们的工作表明，生成式AI将是这一使命的核心，它不仅能提高临床支持系统的保真度，还能提高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——对于临床决策至关重要，在这里我们表明机器可能在这方面比我们做得更好。"
该团队指出，还需要进行额外的研究来提高系统的速度，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 Trust、Barts Health NHS Trust、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，该联盟旨在利用人工智能改善全球血液诊断。Simon Deltadahl 是剑桥大学露西·卡文迪许学院的成员。
🚀 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