骨髓各系细胞形态学检查是临床检验的重要项目。血液病种类非常之多，检查需求量可达到每年300-500万例。对于血液病诊断来说，骨髓细胞形态学方法主要是将患者骨髓涂片和血涂片分别进行瑞氏-吉姆萨染色、镜下分析，按照国内或国际标准对急性白血病类型进行判定。大多数都用在白血病、淋巴瘤、各类贫血等血液系统疾病的诊断及鉴别诊断，以及血液病治疗中的定期复查和化疗疗效观察。目前，细胞形态学镜检仍然是血液病诊断中最基础的检查方法和金标准。

  传统的骨髓细胞形态学镜检存在报告周期长、对专业方面技术人员要求高、诊断难以规范等诸多弊端。近年来随着人工智能（artificial intelligence, AI）技术的持续不断的发展，推动了医疗产业和AI的深层次地融合。AI和机器学习软件作为检验医学领域的一种新型工具，能大幅度的提升诊断的效率和准确性。

  目前，总医院第七医学中心刘杰团队与中国科学院计算技术研究所肖立团队将AI和机器学习软件作为新工具，对AI+显微图像进行研究，开发了“一种用于骨髓成像细胞检测的深度学习方法和装置（A deep learning method and device for bone marrow imaging cell detection，doi: 10.21037/atm-22-486）”，并成功研发出针对骨髓细胞形态学分析诊断的人工智能设备，获得中国发明授权专利（专利CN8.7）。

  投入使用后，可实现骨髓细胞形态学智能诊断，能自动扫描、自动提取细胞、自动阅片、自动分类、自动诊断、自动报告，以及自动数据统计分析，助力提升诊断效率与诊断精度。通过云平台上传会诊中心进行会诊，出报告时间能控制在2天内，给疑难病例带来便利。

  本研究是集成人工智能、云平台和大数据分析功能的白血病诊断设备，为适合医疗机构的医疗级专用系统。具备智能化诊断能力，能为医院提供技术服务，为患者提供专家级诊疗的效果，有助解决检验科人才短缺的难题。

  AI设备先扫描骨髓的物理涂片，并全自动生成数字化电子涂片，同时结合自主创新的人工智能细胞识别算法进行细胞识别，给出初步的识别诊断结果提交给经验比较丰富的检验人员对结果进行审核，随后出具骨髓细胞形态学诊断报告。设备扫描速度快，图像清晰度高，体现出来的图片质量可完全类比显微镜，能清晰地看出细胞的内部和外部的结构及特征，骨髓有核细胞人工智能识别准确率也达到了临床诊断的要求。

  本研究是一种基于深度学习的骨髓象细胞影像图检测分类方法，最大的目的是为了更好的提高显微镜视野下骨髓象细胞分析效率。基于深度学习Faster RCNN模型对收集的骨髓细胞进行标注后，构建训练集和测试集。模型训练完成后可以直接预测给出骨髓象细胞矩形框信息及分类类别。整套系统的研发完成将提高临床工作效率，降低诊断人员劳动强度；数百万的样本累积学习大幅度的提升了骨髓细胞识别率，同时提高了基层医院的骨髓检查能力；全涂片扫描保留了所有细胞信息，降低了诊断的漏诊率和误诊率；通过形态学检查服务云平成涂片数字样本传输，推动了骨髓细胞学远程会诊的实现。

  目前AI设备在骨髓细胞识别上已经取得了部分的研究成果，该研究在多个医疗中心随机收集了上万个骨髓涂片临床病例进行扫描，人工智能骨髓细胞预分类结果与人工镜检结果作对比，红细胞系的准确率为90%左右，粒细胞系的准确率约85%，单核细胞系准确率80%左右，淋巴细胞系的准确率接近90%，浆细胞系准确率约为80%。数据库仍然在持续不断的增加标准数据，随着高质量数据的增加，各系的识别率也会继续提高。

  基于人工智能的图像识别系统是骨髓涂片鉴别分析的可靠工具，大规模的临床应用将有利于进一步证实该系统的临床实用性及可靠性。未来，我们将继续改进模型，通过涉及更多样本和多中心数据集进行训练，并设计少样本学习方法来学习稀有样本。我们还将引入自动对焦显微镜，以进一步提升系统的效率。同时，团队也进行了拓展，在血细胞、尿常规、脑脊液、胸腹水、染色体、CTC、细菌学等形态学领域开展研发，应用到更广泛的检验医学领域。

  通过基于云平台的白血病大数据分析算法构建白血病骨髓形态学评价模型，可以同时建立患者个人数据库，建立白血病风险自动评估模型，基于这一些数据建立的远程会诊，在基层进行血液病的早筛查，早治疗，节省个人和国家医保费用，助力分级诊疗政策。