形态学前沿

外周血细胞形态学检验诊断的发展趋势(中)

更新时间:2016-08-11 08:12:41 作者:admin点击次数:

                                     bepaly,bepaly体育,beplay官网

四、全自动外周血细胞形态数字图像分析
1966年,Prewitt和Mendelsohn报道了自动显微镜扫描系统应用于血细胞形态分析,在随后的一些研究中有多种类型的仪器被研发,但由于自动化程度、计算机软件或硬件等原因,一直未见可在临床实验室常规应用的分析系统,直到2000年后才有了较大的进展。
2003年,瑞典Sahlgrenska大学医院的Swolin等对1台基于人工神经网络(artificial neural networks)决策支持系统的自动显微镜(DiffmasterOctavia)分类计数血液白细胞的性能进行了评估,此系统主要由1台光学显微镜、3CCD照相机、自动控制平台、机械及光控制硬件和利用人工神经网络自动细胞定位、血细胞预分类(preelassification)图像处理软件等组成;评估中对322份常规血标本用Diffmaster分类计数400个白细胞,以人工镜检为参考方法,结果显示两种方法对成熟白细胞和原始细胞分类的相关性较好(R2=0.80—0.98),Diffmaster预分类白细胞的正确率为89%,人工再分类(reclassification)后两者的符合率为91%;临床敏感度98%、特异度82%;并认为Diffmaster可以协助形态学专业人员发出高质量的白细胞分类计数报告。
然而,类似Diffmaster这类仪器仍属于半自动化,上载血涂片需要人工,而且速度较慢。随后,Diffmaster经过改进,瑞典CellaVision公司很快推出了DM96全自动血细胞数字图像分析系统。
DM96实现了全自动化血涂片上载,单细胞层与细胞定位、细胞图像扫描与获取、细胞识别与预分类、报告生成等功能,检测速度和细胞图像质量显著提高,并将所计数的白细胞按类别全部显示在计算机的显示屏上,经过检验者审核或再分类(即纠正预分类与人工识别不符合的细胞)后即可发出报告。
DM96可以通过形态学识别后分类计数13种白细胞和4种非白细胞。已有较多文献报道了DM96的应用特性,但对其与人工显微镜白细胞分类识别的符合率变异较大。Kratz等专门评价了DM96的白细胞分类性能,对未成熟粒细胞检出的敏感度为91%、特异度为84%;对原始细胞检出的敏感度为86%、特异度为91%;对有核红细胞的敏感度为64%、特异度为82%。Comet等比较了DM96在常规检验中恶性血液病标本原始细胞预分类数与人工显微镜白细胞分类计数的形为0.57,但再分类后的R2增至0.9,表明再分类可以提高对原始细胞识别的正确率。Briggs等研究表明,再分类可以显著提高DM96与人工显微镜分类计数白细胞的相关性;尤其是单核细胞的预分类群仅为0.12,但再分类R2则增至0.81;嗜碱粒细胞预分类与再分类均无相关性,可能与嗜碱粒细胞百分率极低有关;对不同红细胞形态异常预分类与人工显微镜分类的符合率为42%~87%,变异较大。2012年,Rollins—Raval等在3所大学医院的多中心研究表明,DM96与人工显微镜分类识别白细胞和非白细胞的正确率分别为93.0%(成人肿瘤中心)、87.3%(成人综合性医院)和95.4%(儿童医院),但对未成熟粒细胞、异型淋巴细胞和原始细胞检出的敏感度和阳性预测值均小于80%。Billard等比较了521例儿科患者DM96与传统显微镜法分类计数白细胞具有较好的相关性,但对原始细胞的检出例外。黄骥斌等报道了422份体检和常规检查标本的DM96与人工显微镜白细胞分类计数的相关性,中性粒细胞、淋巴细胞的R2分别为0.91和0.88,但单核细胞的相关性较差;通过扩充DM96参考细胞库数量后显著提高了对未成熟粒细胞、原始细胞、浆细胞和有核红细胞的识别能力,与人工显微镜计数的符合率增加约5.6%~18.9%。
2012年,美国马萨诸塞州大学医学中心Yu等报道了1个全自动血细胞数字图像分析系统(NextslideDigitalReviewNetwork),初步研究结果表明:Nextslide对外周血中性粒细胞、淋巴细胞、单核细胞、嗜酸粒细胞和嗜碱粒细胞的预分类正确率分别是96.9%、86.6%、87.6%、93.1%、75.3%;此外,在Nextslide所获取的图像通过人工形态学复检,并与人工显微镜检查结果比较,白细胞、红细胞和血小板形态的符合率分别为76.1%、76.5%和85.7%,总符合率77.1%;对5例EDTA诱导血小板凝集所致的假性血小板减少进行筛查,均能检测到血小板凝集。
2011年北京航空航天大学孙明磊博士研发出了全自动血细胞形态学分类识别系统,2012年在技术上进行了改进和完善,推出了第二代产品;应用基于人工智能框架下的支持向量机(SupportVector Machine,SVM)分类器可对血细胞形态进行全自动分类识别;SVM分类器与人工神经网络相比,SVM在高维空间问题的处理上,具有训练样本少、收敛速度快、保证全局最优的特点;该仪器除了具有DM96类似的特性外,所采集的血细胞形态与显微镜下十分接近,对血细胞的形态学分析更加精细;北航乔国辉博士等采用颗粒特征和SVM分类器构建了仪器对中性粒细胞中毒颗粒的自动评价机制,并实现了自动检测及评价;随后,乔等又应用宽度分布分析和图像结构分离的核分叶自动计数方法,可有效计数血涂片内中性粒细胞核分叶数,解决了中性杆状核与分叶核粒细胞不易区分的难题,并有助于中性粒细胞的核分叶数金自动定量和异常核分叶的诊断。