人工智能在急性白血病诊断中的应用探究

◇皖南医学院医学影像学院 崔曼曼 王 敏 陈许滢 金雪婷 徐争元 张解和

急性白血病的诊断目前主要是依靠白细胞形态学的检查，但是由于工作强度大、医生连续工作导致疲劳等原因，使得人工的检验效率低下。在21世纪，随着人工智能的发展，其在白血病诊断方面应用的优势愈发明显。本文主要介绍了人工智能在白血病诊断中的基本过程和相关技术，并进一步分析了相关技术的优缺点。

急性白血病是恶性克隆性疾病，恶性程度极大，与骨髓中白血病细胞异常大量增殖并抑制正常骨髓的造血作用有关，在没有得到及时治疗的状况下急性白血病人平均存活期只有3～4个月左右[1]。因此，及时快速发现诊断白血病对于挽救病人生命有着重大的临床意义，早发现和早治疗成为医学界的共同追求。对血细胞涂片进行人工镜检，是确诊急性白血病最可靠的实验室方法，但由于每日镜检量庞大、人力资源消耗大、镜检效率低、重复性高，同时具有高度的主观性，没有精确的标准，所以人工镜检在一定程度上诊断的效率和正确率不高。

人工智能（ArtificialIntelligence，AI）是一门用于模拟、发展和扩展智能的理论、方法、技术及应用系统的新技术科学，是计算机科学的重要分支[2]。使用人工智能技术可以提供白细胞图像的细胞计数和形态，从而对白细胞图像进行识别和分类，达到诊断急性白血病的目的。

1 人工智能在急性白血病诊断中的应用

1.1 人工智能在疾病诊断中的应用

人工智能在疾病诊断中的应用，主要是通过收集医院患者的基因数据、图像诊断、病理诊断等庞大的信息为基础，建立一个相应的数据库，得出与疾病有关的数据，以极其简便快捷的方式进行数据的整理以及建模分析，从而有效分析疾病的病因和机制，将人工智能技术运用在患者的疾病诊断以及治疗中，可以有助于医疗工作者更加有效地研发优质的治疗方案[3]。

1.2 人工智能诊断急性白血病的优势

相对于传统的人工镜检白细胞图像，运用人工智能技术诊断急性白血病的优势可以表现在以下几个方面：可精确提取白细胞图像的颜色、纹理和形状特征，实现定量性诊断病情，避免人工镜检的主观性，使得诊断结果更加客观公正标准；可将图像进行线上存储，建立数据库，从而对日后疾病的复诊起到辅助作用；可通过总结专家诊断经验，并建立相关疾病诊断系统，供医生之间交流沟通和相互学习，从而使医生诊断水平有所提高；可为病人与医生远程会诊提供条件[4]。

故近些年来，许多专家学者都积极的开展以人工智能技术为基础，对血细胞图像识别进行白细胞分类和诊断的课题研究，为了更加精确地实现白血病细胞图像的分割和识别，临床医学人员和工程技术人员做了大量的尝试。许多用于血液涂片图像的自动分割识别以达到检测诊断白血病的方法和技术已经被学者们提出，一系列研究文献显示利用计算机进行的处理技术有助于更精确、更标准地分割和识别细胞[5]。

2 急性白血病智能诊断的基本过程及相关技术

在白血病的诊断中，人工智能技术的应用历史已久，许多专家以计算机辅助图像识别技术为基础，对白细胞进行分类的研究，其中细胞分割及识别的算法研究是此类研究的关键点。具体过程如下所示。

2.1 图像采集与预处理

（1）血细胞图像的采集。采集血细胞图像首先通过抽血或者骨髓穿刺方法抽取外周血或者骨髓液，抽取完毕后立即进行涂片，即将样本放置于载玻片上，进行推片，制成多张血细胞涂片，最后将干燥的涂片经姬氏染色固定后在显微镜下拍摄血细胞图像，如图1所示。

图1

（2）血细胞图像的预处理。由于在第一步骤收集到的白细胞图像通常会被复杂的背景图像和不同的情况所影响，例如：成熟红细胞或由于操作或血液中所含有的杂质等可干扰白细胞分型和诊断，在不同的成像参数和成像仪器下得到的图像会不一样以及得到的白细胞图像成片质量会受到伪影噪声等影响。因此，我们需要对白细胞图像进行预处理。目前对于图像预处理所包含的方法有：直方图均衡、平滑滤波和锐化滤波等[6-9]。所谓直方图均衡，是一种增加图像对比度的技术，主要通过图像直方图实现；平滑滤波，可以去除图像中混入的噪声，使得图像更加清晰；而锐化滤波，能消除图像的低频区域，保留高频部分，从而突出细节。由于各种方法利弊兼存，在平时应用过程中针对我们所要的不同结果要求去选择恰当的预处理方法。

2.2 白细胞的分割

（1）图像分割技术。图像分割技术在白血病细胞识别诊断中具有重要地位，它是一种把图像通过相关技术分割成多个特定的、具有独特性质的区域，并从中提取出目标区域的兴起科技。处理图像时，人们通常只需要图像的某些区域或部分，即所谓的目标区域。为了满足人们的需求，我们需要分割并提取所谓的目标区域。在白细胞图像中主要包括两大部分—白细胞和其它，白细胞由细胞核、细胞质和细胞膜构成，而其它包括红细胞、淋巴细胞等其他细胞和各种各样的杂质等。每个部分的图像区域灰度不一样，这也是进行白细胞分割的主要参数依据。按照灰度值从大到小排列，依次为：背景图像—红白细胞细胞质—白细胞细胞核。白细胞分割的难点在于它的图像多样性和变化性，首先成熟程度的差异会导致白细胞图像不一样，其次病理、生理状态等的不同也会导致细胞当时所处的状态不一样，所以白细胞的分割是在整个应用过程中比较困难的步骤。目前主要的白血病细胞分割技术有阈值分割、边界技术分割、区域技术分割、边界和区域技术分割等。

（2）图像分割技术的应用。自白细胞分割理念的提出至今，学者们提出了大量针对细胞分割的前沿技术，其中大多数都以局部信息为基础。但是，尽管其简单性和基本性，但该方法仅适用于分割圆形单元格。Liao和Deng[10]对于分割白细胞提出了一种形态分析算法，血细胞图像在经过基本的阈值分割后，经过分析形态确定白细胞形状，这种算法虽然简便，但是缺点是只能应用于圆形的细胞。OngunG，HaliciU等[11]人开发了差分血液计数器（DBC）系统，在这个系统中运用了基于活动轮廓模型的细胞分割算法；Duan[12]等人为了提升图像识别的质量，将基于颜色直方图和基于区域合并的两种分割方法相结合，分别从白细胞中提取细胞核和细胞质，并对这两部分进行识别，其分割的结果显示比起其他方法更加的高效以及准确。

（3）白细胞分割需要解决的问题。尽管大量的白细胞分割技术被提出，但是由于白细胞的复杂性，目前仍存在以下问题需要被解决：因为白细胞胞核颜色深而胞浆颜色浅，所以两者的颜色反差大，因此可通过最大类间方差法进行核浆分离，比较困难的是白细胞胞质上色程度不高，想要将其与红细胞及背景分离开比较困难；急性白血病骨髓增生活跃，因此在其骨髓中白细胞数量繁多，分布密度大，容易黏连重叠，可通过分水岭算法合并距离变换解决细胞黏连问题。

2.3 提取白细胞特征

分割白细胞图像后，我们需要进行对白细胞的特征进行提取，这是细胞识别的前提。首先，我们需要了解各类白血病细胞所特有的特征，尤其是在正常白细胞与恶性白细胞之间，这是我们诊断急性白血病的重要基础，通常病理科的医生会从白细胞的变异程度、胞浆比和胞核的颜色大小等方面来进行白细胞的诊断。但是对于计算机提取白细胞特征来说，所需要提取的是白血病图像中的数字特征，用不同的数字特征来近似的描述白血病细胞的关键特征，以此进行白血病细胞的分类识别。

（1）常用的白细胞特征。白细胞的图像特征主要有三类：颜色特征、纹理特征和形状特征[13]。前两者概括事物外在特征，又分别被称为统计特征和视觉特征，包括直方图、能量、区域亮度和纹理轮廓等。形状特征是外部特征，包括轮廓特征（如周长等）、区域特征（如面积等）和变换特征。

（2）白细胞特征提取技术的应用。Aus等[14]使用图像处理技术检测白血病中单核母细胞的形态学差异；朱雪明等[15]选取47例急性白血病骨髓片，经显微镜投影后记录有核细胞细胞和细胞核的形态，同时应用计算机技术对白细胞图像进行测量，从而提取特征，其结果显示正确率为77%。但是这些方法缺乏针对性，都是在特定条件下对所有类别细胞特征定量的总体反映。

2.4 白细胞分类识别

最后一步就是对于白细胞的分类识别。根据临床应用的要求，将白细胞分类成嗜酸性粒细胞、嗜碱性粒细胞、中性粒细胞、单核细胞和淋巴细胞，除此之外还需要将中性粒细胞分成分叶状和杆状。

目前对于白细胞分类技术可以分为两大类，一是浅层机器学习，另一个是深层机器学习。前者是常用的方法，包括Bayes（贝叶斯）分类、人工神经网络（Artificial Neural Network）、RBF（径向基函数）网络等，但其具有局限性--即对复杂函数的表示能力有限，其中人工神经网络以BP神经网络最多见，Ai等[16]人利用BP神经网络技术识别150例骨髓细胞，准确率在80%以上；Zhang[17]等运用BP人工神经网络构造分类器识别血细胞涂片图像中的红细胞和一系列的粒细胞。后者是近些年来新出现的图像识别算法，其具有强大的特征学习能力，贾洪飞[18]设计的深度学习网络结构进行外周血白细胞的自动五分类的白细胞的平均识别率为99.64%，不仅提高了识别率，而且同时大大降低了算法的复杂性。

3 结语

目前人工智能诊断急性白血病方面取得了一定的成果，并且随着21世纪人工智能技术的快速发展，细胞的分类识别必然向更精确、更优化的方向发展，这一技术在急性白血病诊断中的应用大大降低了人工对细胞形态分析诊断的主观性，提高了诊断的效率和准确度，同时在诊断归类白血病类型时，由于需要在分析不同种类不同发展阶段细胞的数量比率以及形态异常的细胞相应情况的基础上结合诊断标准做出判断，这对细胞图像的分割与识别技术提出了更高的要求，但也促使了相关技术的发展，这对医疗行业有着重大的意义。