从显微镜到AI：白细胞检测技术的革新之路

反应性淋巴细胞是一种特殊的白细胞，其形态变化通常与病毒感染有关。在临床诊断中，虽然血液分析仪可以快速计数白细胞，但无法分析细胞形态。因此，仍需通过显微镜下的人工观察来完成对白细胞形态的检查。然而，这种方法不仅效率低下，还容易受到主观因素的影响。近年来，随着计算机视觉技术的发展，基于深度学习的计算机辅助诊断技术逐渐应用于白细胞检测领域，为提高检测效率和准确性带来了新的希望。

武汉多家科研机构联合研发的新型深度学习模型，在检测外周血中的反应性淋巴细胞和其他白细胞方面取得突破性进展。该研究通过改进经典YOLOv8框架，结合创新的注意力机制与特征融合网络，显著提升了检测精度与临床实用性。

研究内容

图 1 数据集构建流程示意图

如图1，展示了从临床样本到标注数据的完整流程：静脉采血→涂片染色→高倍镜扫描→专家标注（图中可见wright-giemsa染色后细胞形态差异）。

研究人员提出了一种基于YOLOv8的改进型多目标检测网络，专门针对外周血白细胞检测中的挑战进行了优化。该模型引入了以下创新：

图 2 SPD-Conv和DLKA的结构示意图

1.     动态多尺度特征提取网络

空间深度卷积（SPD-Conv）：采用无步长2卷积的下采样策略，通过空间到深度转换（图2A）保留小目标细节，可用于增强模型对密集小目标的检测能力，解决了传统卷积在下采样过程中可能导致的信息丢失问题。实验表明，该模块对比基准模型使淋巴细胞检测mAP50提升1.4%。

动态大核注意力（DLKA）：融合5×5和7×7卷积核，通过自适应权重动态调整感受野（图2B）。在单核细胞检测中，上下文信息捕捉能力提升23%，使模型能够更好地捕捉不同细胞的上下文信息，适应不同大小细胞的检测需求。

2.     渐近特征融合机制

图 3 AFPN中的多尺度特征融合过程

AFPN特征金字塔：构建跨层级直接特征交互路径，减少多尺度传递中的信息损耗。使嗜酸性粒细胞检测的召回率从79.4%提升至87.8%。

3.     形状约束损失函数

Shape-IoU损失：引入尺度敏感权重，对长宽比偏差的惩罚力度提高40%。显著改善小目标（如原始细胞）的定位精度，mAP50-95提升2.6%。

此外，研究人员还构建了一个新的高质量外周血白细胞数据集，包含6861张图像和12261个白细胞标注，涵盖了嗜酸性粒细胞、淋巴细胞、单核细胞、中性粒细胞、原始细胞和反应性淋巴细胞等六种类型，为相关研究提供了宝贵的数据支持。

图 4 模型预测结果的可视化

实验结果表明，该模型在反应性淋巴细胞检测上达到了0.918的mAP50，在所有白细胞检测上达到了0.907的mAP50，显示出优异的检测性能。通过Grad-CAM可视化技术，研究人员发现模型能够有效定位并准确分类各种白细胞，即使在细胞密集且染色不均匀的情况下也能保持稳定的检测效果（图4）。此外，模型在不同置信度阈值下的F1分数表现良好，尤其是在置信度阈值约为0.6时，模型性能达到最优。

与YOLO系列的其他版本相比，该模型在检测反应性淋巴细胞及其他白细胞方面均表现出更高的准确性。例如，与YOLOv9相比，该模型在反应性淋巴细胞检测的mAP50上提高了0.016，在所有白细胞检测的mAP50上提高了0.023。这些结果证明了模型改进的有效性。

该研究通过算法创新与实验验证，实现了血液细胞检测精度与速度的双重突破。未来结合单细胞测序，有望进一步解析淋巴细胞亚群功能，推动个性化诊疗发展。

原文链接：https://doi.org/10.1002/jemt.24775