Классификация лейкоцитов с помощью настраиваемой глубокой нейронной сети и визуализация признаков изображений с помощью тепловых карт

Почему более умные анализы крови важны

Рутинный анализ крови может выявить первые признаки инфекции, аллергии или даже рака — но сегодня многое из этой информации по-прежнему зависит от внимательного осмотра клеток экспертом под микроскопом. Этот процесс медленный, дорогой и не всегда доступен в небольших клиниках или сельских больницах. В описанной работе представлен компактный искусственный интеллект, который способен точно распознавать разные типы лейкоцитов на микроскопических изображениях, что потенциально может обеспечить более быструю и надежную диагностику крови для большего числа пациентов.

Маленькие защитники организма

Лейкоциты — передовой щит организма против микробов и других угроз. Они представлены несколькими основными разновидностями, каждая из которых выполняет свою функцию: одни атакуют бактерии, другие борются с паразитами, реагируют на аллергены или помогают координировать долгосрочный иммунитет. Врачи обычно оценивают и количество, и тип этих клеток для постановки диагноза и контроля лечения. Сегодня это обычно делается либо вручную под микроскопом — дело требующее мастерства и времени, — либо с помощью больших автоматизированных приборов, которые многие небольшие лаборатории не в состоянии приобрести.

От ручного подсчёта к цифровому зрению

За последнее десятилетие исследователи обратились к компьютерному зрению и машинному обучению, чтобы автоматизировать идентификацию лейкоцитов. Простые программы могут измерять форму и цвет, тогда как более продвинутые системы используют глубокое обучение, которое способно изучать сложные паттерны непосредственно из изображений. Однако многие мощные модели глубокого обучения огромны, требуют значительных вычислительных ресурсов и памяти, а также могут страдать от проблем при обучении, таких как «затухание» сигналов внутри сети. Это ограничивает их использование в небольших клиниках, мобильных медицинских устройствах или больницах с ограниченными вычислительными ресурсами.

Похудевший, но эффективный цифровой микроскоп

Авторы предлагают упрощённую модель глубокого обучения, которую они называют настраиваемой глубокой нейронной сетью (CDNN). Она специально разработана для распознавания лейкоцитов на изображениях микроскопа. Модель обучали и тестировали на двух популярных наборах данных изображений клеток крови: одном большом и несколько несбалансированном (Raabin WBC) с пятью типами лейкоцитов и другом — меньшем, но равномерно сбалансированном (BCCD) с четырьмя типами. Перед обучением все изображения изменяли по размеру, нормализовали яркость и затем слегка аугментировали — вращали, отражали и сдвигали по сдвиговому преобразованию, чтобы имитировать естественные вариации и уменьшить переобучение, которое возникает, когда модель запоминает примеры обучения вместо того, чтобы изучать общие закономерности.

Внутри «мысленного процесса» модели

CDNN состоит из серии блоков, которые помогают ей эффективно учиться при компактной архитектуре. Эти блоки включают «остаточные» (residual) соединения, позволяющие информации обходить некоторые слои и предотвращающие затухание сигнала при прохождении через сеть. Модель постепенно увеличивает число внутренних фильтров по ходу обработки изображения, захватывая как тонкие детали, так и более общие формы ядра клетки и окружающего материала. Несмотря на значительно меньшее количество настраиваемых параметров по сравнению с известными моделями для изображений, такими как VGG16 или ResNet-50, CDNN достигает очень высокой точности: около 98% на наборе Raabin и почти 99.6% на наборе BCCD, превосходя многие более крупные современные методы.

Делаем невидимые решения видимыми

Чтобы убедиться, что система фокусируется на медицински значимых областях изображений, исследователи использовали два инструмента визуализации: Grad-CAM и LIME. Эти методы создают цветные тепловые карты, которые выделяют области изображения клетки, наиболее сильно повлиявшие на решения модели. Яркие зоны на таких картах, как правило, совпадали с важными структурами, такими как ядро клетки и окружающая цитоплазма, а не с фоновой областью. Команда также изучала, как сеть внутри разделяет разные типы клеток, проецируя внутренние сигналы в двумерное пространство, где правильно классифицированные клетки образуют четкие кластеры, а ошибочные случаи можно проанализировать, чтобы понять, где модель испытывает трудности.

Что это может означать для пациентов

Проще говоря, эта работа показывает, что тщательно спроектированная и относительно небольшая модель ИИ может сортировать лейкоциты на микроскопических изображениях с точностью на уровне, сопоставимом или превосходящем многие большие сложные системы. Поскольку модель компактна и эффективна, она лучше подходит для использования в небольших лабораториях, на местах оказания помощи или даже в портативном оборудовании, что потенциально приближает высококачественный анализ крови к пациентам. Хотя необходимы дальнейшие испытания в реальных клинических условиях, такой подход указывает путь к более быстрым, доступным и прозрачным инструментам, которые могут помочь патологам в диагностике заболеваний и раннем выявлении проблем.

Цитирование: Karaddi, S.H., Bitra, H., Bairaboina, S.S.R. et al. White blood cell classification using custom deep neural network and visualizing features of the images using heatmaps. Sci Rep 16, 9311 (2026). https://doi.org/10.1038/s41598-026-35138-9

Ключевые слова: лейкоциты, медицинская визуализация, глубокое обучение, диагностика крови, нейронные сети