基于人工智能的白血病检测与分类系统：系统性综述与荟萃分析

作者及机构
本综述由来自伊朗、美国等多国研究团队合作完成，通讯作者为伊朗Shahid Beheshti医科大学的Zohreh Javanmard和Mohammad Esmaeil Akbari，合作单位包括德黑兰医科大学、Azarbaijan Shahid Madani大学、威奇托州立大学等。论文于2025年发表于*Journal of Evidence-Based Medicine*（DOI:10.1111/jebm.70005）。

研究背景与目标
白血病是一种起源于骨髓的血液恶性肿瘤，其特征是异常白细胞增殖。传统诊断依赖人工显微镜检查血涂片（blood smear images），存在效率低、主观性强等问题。随着人工智能（AI）和机器学习（ML）在医学影像领域的应用，研究者开始探索自动化白血病检测与分类系统。然而，此前缺乏对ML方法诊断准确性的全面评估。本研究通过系统性综述与荟萃分析，旨在：
1. 总结白血病检测与分类的ML技术流程
2. 评估不同ML算法的历史与当前应用
3. 分析常用数据集及最优模型
4. 提出未来研究方向

研究方法与流程
1. 文献检索策略
- 检索2015-2023年Web of Science、PubMed、Scopus、IEEE Xplore四大数据库，关键词包括”leukemia”、”machine learning”、”blood smear image”及其同义词。
- 纳入标准：使用ML算法处理外周血涂片图像的原创研究，排除非白血病研究或非图像数据研究。
- 最终从1325篇文献中筛选出190篇合格研究，采用Qiao质量评估工具进行质量评价。

1. 技术流程分析
   研究总结了ML方法的核心步骤：

   • 预处理：94%研究采用图像增强技术（如中值滤波、直方图均衡化），51.58%使用数据扩增（data augmentation）技术（旋转、翻转等）。
     
   • 分割：43.68%研究进行细胞分割，传统无监督方法（如k-means聚类、颜色阈值法）占主导（71.08%），现代方法以卷积神经网络（CNN）为主。
     
   • 特征提取：66.84%研究采用现代方法，其中63.16%使用CNN（含35.79%迁移学习模型如ResNet、VGG16）。
     
   • 分类：71%研究使用现代监督学习，CNN占比58.95%，传统方法中支持向量机（SVM）使用率最高（26.32%）。
     

2. 数据集与验证

   • 76.84%研究使用公开数据集，主流包括ALL-IDB（24%）、C-NMC 2019（15.79%）。
     
   • 验证方法以内部验证为主（87.89%），k折交叉验证（k-fold cross-validation）是最常用策略（45.3%）。
     

主要结果
1. 算法性能
- 纳入研究的平均验证准确率达95.38%，其中现代ML方法（60.53%研究）表现最优（平均准确率95.43%）。
- 监督学习（supervised learning）占主导（78.95%），深度学习中CNN在特征提取和分类阶段均表现突出。

1. 数据集影响

   • 结合公私数据集的研究准确率最高（98.6%），多训练数据集模型准确率提升至96.72%。
     
   • 单细胞图像（68.42%研究）比多细胞图像更常用，但后者准确率略高（96.73% vs 94.58%）。
     

2. 新兴技术

   • 胶囊网络（CapsNet）在2项研究中达到98.03%准确率，视觉Transformer（ViT）尚需优化（88.4%）。
     
   • 生成对抗网络（GAN）用于数据扩增和分割，但分类性能不稳定（90.86%）。
     

结论与价值
1. 临床意义
ML系统可显著提升白血病诊断效率，尤其对急性淋巴细胞白血病（ALL）的检测准确率达95.6%。现代方法如CNN已展现出替代传统人工分析的潜力。

1. 研究启示
   
   • 需加强外部验证（仅10.55%研究采用）以提高模型泛化性。
     
   • 公开数据集存在样本单一性问题，未来需整合更多临床真实数据。
     
   • 解释性AI（如CapsNet）是提升临床接受度的关键方向。
     

亮点与创新
1. 全面性：首次对ML在白血病影像诊断中的应用进行大规模荟萃分析，涵盖8年190项研究。
2. 技术深度：揭示CNN在特征提取与分类中的核心地位，同时指出传统方法（如SVM）仍具竞争力。
3. 批判性建议：强调外部验证和数据多样性的重要性，为后续研究提供方法论指导。

其他发现
- 混合模型（hybrid methods）结合传统与现代算法，准确率达95.57%，可能是平衡效率与解释性的可行方案。
- 进化算法（evolutionary algorithms）在特征选择中表现优异（96.62%准确率），但应用率仅1.58%，值得进一步探索。

该综述为AI在血液病理学中的应用建立了技术基准，并为临床转化提出了具体改进路径。