在常规实验室数据上预测急性白血病亚型的人工智能算法的国际测试与改进

这对全球患者为何重要

对于许多急性白血病患者来说，争分夺秒的时刻早在他们见到专科医生之前就已经开始。在那些先进检测稀缺或周转缓慢的地区，仅仅确定患者属于哪种白血病就可能需要数日——而这往往是患者无法承受的时间。本研究探讨了一种人工智能（AI）程序，能否仅利用几乎每家医院都会做的常规血液检测，快速提示可能的白血病亚型，从而帮助医生更快地行动，尤其在资源有限的环境中。

把日常血检变成早期警示

研究人员汇集了来自16个国家、20个中心的6206例急性白血病患者记录，覆盖所有有人居住的大洲和不同的收入水平。研究没有依赖专门的影像或基因检测，而是将既有AI模型输入诊断时常规的实验室测量值，如血细胞计数、凝血指标和基础生化结果。目标是检验最初在法国数据上建立的工具，能否在截然不同的医院、人群和年龄组中识别三种主要白血病类型——急性髓系白血病（AML）、急性早幼粒细胞白血病（APL）和急性淋巴细胞白血病（ALL）。

信号强烈，但受益人群存在差距

在成人群体中广泛应用时，AI模型总体表现良好：对AML和APL尤其准确，这两类的早期识别对生存率影响显著。然而，原始版本采用了严格的内部“置信”规则，仅在模型非常确定时才报告结果。这使得纸面上的指标非常优异，但在实际应用中多达90%以上的患者可能得不到任何AI提示。即便去掉该规则，模型表现仍在不同中心和白血病类型间差异显著，这反映了患者年龄、本地疾病谱以至所用实验室设备的差别。

教会系统应对真实世界的杂乱数据

为使工具在日常临床中更有用，研究团队着重分析了其失败的原因。他们比较了被正确和错误标记患者的基础血检模式，并使用统计解释方法识别出哪些测量最为关键。结果显示，某些凝血指标和红细胞特性对于将APL与其他类型区分开来尤其重要，而白细胞模式则有助于将AML与ALL分开。研究人员随后增加了一步新的预处理流程，用以筛查那些实验室结果与AI以往见过的情况明显不同的“异常值”患者。通过结合两个这样的过滤器并仅剔除少量病例，他们提高了对难以识别群体的准确性——特别是对先前低于模型置信阈值的患者——同时仍然为大多数人保留了预测结果。

将AI适配于儿童，而不仅限于成人

儿童白血病在实验室表现上常与成人不同，而这一点证实极为重要。当将仅在成人数据上训练的AI应用于1746名儿童患者时，其性能下降明显，尤其是在AML方面。团队展示了关键血液指标，例如凝血因子和细胞计数，在儿童中具有不同的范围。研究者没有接受性能下降，而是专门用儿科数据对AI重新训练，这显著提升了其识别儿童ALL和AML的能力，同时在罕见的儿童APL病例中仍保持良好表现。这一发现强调了一个重要教训：用于辅助诊断的AI系统必须针对其服务的人群进行定制。

迈向更快且更公平的白血病治疗

作者强调，该AI工具并不能替代确诊白血病类型并指导精确治疗所依赖的金标准程序——显微镜检查、流式细胞术和基因检测。它提供的是一种利用已广泛可得的实验室检测快速标记可能白血病亚型的方法，即便在许多中低收入国家也可用。通过改进模型以适应多样化的医院环境、过滤掉不可靠的预测并创建儿科版本，这项研究展示了AI如何有助于缩短转至专科及生命挽救性治疗的时间。该工作为未来的试验奠定了基础，以检验这类决策支持是否真能降低早期死亡率，使现代白血病护理的益处更接近全球各地的患者。

引用: Turki, A.T., Fan, Y., Hernández-Sánchez, A. et al. International testing and refinement of AI algorithms predicting acute leukemia subtypes from routine laboratory data. Nat Commun 17, 2649 (2026). https://doi.org/10.1038/s41467-026-70584-z

关键词: 急性白血病, 人工智能, 诊断支持, 健康公平, 实验室检测