人工智能通过使用数字化骨髓活检图像,区分了与血栓细胞瘤发生的前纤维原发性髓纤维化与基本血栓细胞血症的区别
Andrew Srisuwananukorn1, Giuseppe Gaetano Loscocco2,3, James M Dolezal4
1Division of Hematology, Department of Internal Medicine, The Ohio State University Comprehensive Cancer Center, Columbus, OH, USA. Andrew.srisuwananukorn@osumc.edu.
Leukemia
|February 20, 2026
概括
人工智能现在可以使用骨髓活检图像来区分前纤维细胞原发性髓纤维化 (prePMF) 和基本血栓细胞血症 (ET). 这种人工智能工具通过识别微妙的形态差异来帮助诊断这些骨髓增殖性瘤 (MPNs).
科学领域:
- 血液病理学 血液病理学
- 人工智能在医学中的应用
- 骨髓增殖性新生体
背景情况:
- 前纤维原发性骨髓纤维化 (prePMF) 和基本血小板血 (ET) 是不同的骨髓扩散性新生瘤 (MPN),具有重叠的临床特征,导致诊断挑战.
- 准确区分前PMF和ET对于适当的患者管理和治疗策略至关重要.
研究的目的:
- 开发和验证可解释的人工智能 (AI) 框架,以使用数字化骨髓活检 (BMB) 幻灯片来区分prePMF和ET.
- 研究人工智能模型在区分这些MPN时使用的形态特征.
主要方法:
- 在数字化H&E染色的BMB幻灯片上训练的AI框架的开发,这些幻灯片来自患有血栓细胞瘤的MPN患者.
- 使用AUROC和准确度指标验证AI模型的性能.
- 合成图像的生成以可视化人工智能驱动的形态线索.
- 对血液病理学家进行盲目调查,评估AI对真实和合成图像的预测.
- 在真实和生成图像中量化骨髓细胞性和脂肪性.
主要成果:
- 人工智能模型在区分prePMF和ET.中获得了0.89的AUROC和92.3%的准确性.
- 血液病理学家在真实图像上与人工智能达成高度一致,但在人工智能生成的ET图像上存在显著的不一致 (高达88%).
- 人工智能确定了形态线索,例如ET中大脑髓脂肪的比例较高 (42.0%),与PMF前 (28.9%) 相比,与当前的诊断标准不同.
结论:
- 人工智能可以有效地区分使用BMB形态的prePMF和ET,潜在地识别新的诊断特征,如脂肪比例.
- 人工智能辅助诊断工具在增强MPN的组织病理学评估方面表现有前途.
- 这种方法可能会导致在MPN中识别出更具体的子群体,从而提高诊断精度.
