血涂片不再只数200个细胞：神经细胞自动机扫完整张切片，跨中心检测F1达0.79
核心概要
血涂片与骨髓涂片的自动分析此前被限制在人工圈定的感兴趣区域内，因为千兆像素全片扫描的计算量太大。HemAutomaton 用神经细胞自动机在整张切片上定位白细胞，无需人工选区，在域内检测精度与 Faster R-CNN 相当，跨域平均 F1 为 0.79，高于 Faster R-CNN 的 0.65，可训练参数为 3.3k 对 41.4M。在三个血液肿瘤队列上共提取 1.08 亿张单细胞图像，并用预训练血液学基础模型的少样本分类完成自动分类计数。
深度剖析
白细胞定位从人工圈定的感兴趣区域扩展到整张全片扫描图像，不再需要事先指定分析区域。 此前的自动流程沿用人工阅片顺序，先选感兴趣区域、再做质量评估和高分辨率单细胞检测，全分辨率检测因此只发生在选定区域内。 在三个独立队列构成的三域交叉验证中，神经细胞自动机模型的跨域平均 F1 为 0.79±0.11（n=6 个跨域设置），Faster R-CNN 为 0.65±0.18，基于颜色与强度的斑点基线为 0.51±0.18。
检测模型在标注极少时仍能保持性能，换到新数据集只需一个含100个白细胞的训练图块。 Faster R-CNN 在域内随训练数据增加而稳步提升，在100至800个标注细胞的低数据区间跨域性能明显下降。 以 B-ALL 骨髓训练、分别评估 B-ALL 外周血、Höfener 等骨髓集和 de Almeida 等外周血集时，神经细胞自动机模型在全部评估设置下保持稳健，其中跨模态又跨机构的 de Almeida 集差距最明显。
整片处理在计算上可行，单张切片平均约9.4分钟，其中检测本身约0.6分钟。 参数规模从 Faster R-CNN 的41.4M降到3.3k，每图块浮点运算从126.1G降到10.0G，延迟从32.4毫秒降到17.7毫秒，吞吐从30.9图块/秒升到56.3图块/秒。 在512×512图块、约1微米每像素的同一推理流程下测量，耗时主要来自图块读取和高分辨率单细胞裁剪。
自动估计的原始细胞频率与专家判读的差异不超过专家之间的差异。 两名专家对同一批200个细胞的频率估计平均绝对差为11.9%，模型与专家的跨模型平均绝对差为11.4%。 在20张 B-ALL 切片（10名患者各一张骨髓和一张外周血）上做患者级10折交叉验证，非劣性检验的平均差为−0.54%，单侧 Wilcoxon 符号秩检验 p=0.0032，预设界值为5个百分点。
启示与展望
演示范围是三个独立队列的骨髓与外周血涂片全片扫描图像，覆盖五种疾病与正常对照、四套扫描系统，分析对象仅限白细胞。作者指出，进入临床还需要在更多扫描仪和疾病谱上测试。
作者说明，宏观空间分析直接依赖模型预测，密集区域可能对大细胞（如原始细胞）的检测产生偏差，从而干扰观察到的空间梯度；预处理使用基于亮度的启发式图块过滤，背景差异大的切片可能需要人工调参；当前实现只处理白细胞，红细胞形态、血小板聚集和涂抹细胞不在范围内。