Использование глубокого обучения для определения подвариантов острого лимфобластного лейкоза

Исследованы возможности глубокого обучения для обнаружения и классификации ядросодержащих клеток подвариантов острого лимфобластного лейкоза по цифровым изображениям препаратов костного мозга без предварительной ручной сегментации и выделения признаков. В ходе исследования сформирована выборка из 96 клинических случаев, включающая 9468 изображений ядросодержащих клеток с препаратов костного мозга, полученных с применением компьютерной микроскопии. Для анализа изображений использовалась архитектура одностадийного нейросетевого детектора семейства YOLO (You Only Look Once), что позволило значительно автоматизировать процесс обнаружения и классификации клеток. Обученная модель продемонстрировала высокую общую точность — 0,98 — на тестовой выборке и 0,83 — на независимой (48 клинических случаев), что свидетельствует о хорошей обобщающей способности и надежности представленного метода. Высокая чувствительность (1,0) для В-клеточного подварианта и специфичность (0,83) — для Т-клеточного подчеркивают эффективность и практическую ценность предложенного метода в дифференциальной диагностике, подтверждая его потенциал для повышения качества диагностики и ускорения обработки данных. Рекомендации по применению включают внедрение разработанной модели в научную и клиническую практику для дальнейшего анализа и совершенствования в ходе исследований при диагностике острого лимфобластного лейкоза.

1. Bagg A., Raess Ph. W., Rund D., Bhattacharya S., Wiszniewska J., Horowitz A., Jengehin D., Fan G., Huynh M., Sanogo A., Aviv I., Katz B.-Z. Performance evaluation of a novel artificial intelligence-assisted digital microscopy system for the routine analysis of bone marrow aspirates // Modern Pathology. 2024. Vol. 37, N 9. P. 100542. DOI: 10.1016/j.modpat.2024.100542

2. Kreiss L., Jiang S., Li X., Xu S., Zhou K., Lee K., Muhlberg A., Kim K., Chaware A., Ando M., Barisoni L., Seung Ah L., Zheng G., Lafata K., Friedrich O., Horstmeyer R. Digital staining in optical microscopy using deep learning: a review // PhotoniX. 2023. Vol. 4, N 1. P. 34. DOI: 10.1186/s43074-023-00113-4.

3. Френкель М. А. Лабораторная диагностика острых лейкозов // Клиническая онкогематология. М.: Медицина, 2007. С. 306–319.

4. Тупицын Н. Н. Иммунодиагностика острых лейкозов и неходжкинских лимфом // Клиническая онкогематология. М.: Медицина, 2007. С. 338–370.

5. Френкель М. А. Исследование костного мозга в онкологии // Иммунология гемопоэза. 2014. Т. 12, № 1–2. С. 18–41.

6. Pronichev A. N., Polyakov E. V., Tupitsyn N. N., Frenkel M. A., Mozhenkova A. V. The use of optical microscope equipped with multispectral detector to distinguish different types of acute lymphoblastic leukemia // Journal of Physics: Conference Series. 2017. Vol. 784, N 1. P. 012003. DOI: 10.1088/1742-6596/784/1/012003.

7. Anilkumar K. K., Manoj V. J., Sagi T. M. Automated detection of B-cell and T-cell acute lymphoblastic leukaemia using deep learning // IRBM. 2022. Vol. 43, N 5. P. 405–413. DOI: 10.1016/j.irbm.2021.05.005.

8. Akalın F., Yumuşak N. Classification of T-ALL, B-ALL and T-LL malignancies using adaptive network-based fuzzy inference system approach combined with nature-inspired optimization on microarray dataset // Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi. 2023. Vol. 23, N 4. P. 941–954. DOI: 10.35414/akufemubid.1259929.

9. Gupta R., Gehlot S., Gupta A. C-NMC: B-lineage acute lymphoblastic leukaemia: a blood cancer dataset // Medical Engineering & Physics. 2022. Vol. 103. P. 103793. DOI: 10.1016/j.medengphy.2022.103793.

10. Nikitayev V. G., Pronichev A. N., Tupitsyn N. N., Selchuk V. Yu., Dmitrieva V. V., Palladina A. D., Polyakov E. V., Liberis K. A., Dzhokich M., Solomatin M. A., Nosova E. M. Classification of bone marrow cells in the diagnosis of acute lymphoblastic leukemia // Journal of Physics: Conference Series. 2021. Vol. 2058, N 1. P. 012043. DOI: 10.1088/1742-6596/2058/1/012043.

11. Chen Y., Zhang C., Chen B., Huang Y., Sun Y., Wang C., Fu X., Dai Y., Qin F., Peng Y., Gao Y. Accurate leukocyte detection based on deformable-DETR and multi-level feature fusion for aiding diagnosis of blood diseases // Computers in Biology and Medicine. 2024. Vol. 170. P. 107917. DOI: 10.1016/j.compbiomed.2024.107917.

12. Mustaqim T., Fatichah C., Suciati N. Deep learning for the detection of acute lymphoblastic leukemia subtypes on microscopic images: a systematic literature review // IEEE Access. 2023. Vol. 11. P. 16108–16127. DOI: 10.1109/ACCESS.2023.3245128.

13. Rehman A. et al. A large-scale multi-domain leukemia dataset for the white blood cells detection with morphological attributes for explainability // Intern. Conf. on Medical Image Computing and Computer-Assisted Intervention (MICCAI). Cham: Springer Nature Switzerland, 2024. P. 553–563. DOI: 10.1007/978-3-031-72384-1_52.

14. Vieira G., Valle M. E. Acute lymphoblastic leukemia detection using hypercomplex-valued convolutional neural networks // 2022 Intern. Joint Conf. on Neural Networks (IJCNN). IEEE, 2022. P. 1–8. DOI: 10.1109/IJCNN55064.2022.9892036.

15. Jiang X., Hu Z., Wang S., Zhang Y. Deep learning for medical image-based cancer diagnosis // Cancers. 2023. Vol. 15, N 14. P. 3608. DOI: 10.3390/cancers15143608.

16. Fazeli S., Samiei A., Lee T. D., Sarrafzadeh M. Beyond labels: visual representations for bone marrow cell morphology recognition // 11th Intern. Conf. on Healthcare Informatics (ICHI). IEEE. 2023. P. 111–117. DOI: 10.1109/ICHI57859.2023.00025.

17. Nunes J. C. S., Linhares J. E. B. D. S., Postigo M. A. O., del Río D. G., Sobrinho A. M. F., & Torné I. G. Cancer cell classification from peripheral blood smear data using the YOLOv8 architecture // IEEE Access. 2025. Vol. 13. Р. 91911–91924. https://doi.org/10.1109/ACCESS.2025.3573277.

18. Ferreira F. R. T., do Couto L. M. Using deep learning on microscopic images for white blood cell detection and segmentation to assist in leukemia diagnosis // J. Supercomput. 2025. Vol.81. Р. 410. https://doi.org/10.1007/s11227024-06903-2.

19. Cheng Z., Li Y. Improved YOLOv7 Algorithm for Detecting Bone Marrow Cells // Sensors. 2023. Vol. 23. Р. 7640. https://doi.org/10.3390/s23177640.