在资源匮乏条件下使用迁移学习与对比学习并结合可解释 AI 进行镰状细胞病检测

为什么更智能的血液检测很重要

镰状细胞病是一种终生的血液疾病，会导致剧烈疼痛、感染和过早死亡，尤其在非洲和印度等医疗资源匮乏的地区更为严重。及早诊断可以挽救生命，但传统检测需要熟练人员、专用设备和耗时流程，许多诊所根本无法承担。本文探讨了人工智能（AI）如何将简单的显微镜血液图像转化为快速、可靠的筛查工具，从而在低资源环境中更容易发现镰状细胞病。

深入了解一种危险的血液疾病

在镰状细胞病中，负责携氧的血红蛋白基因发生微小改变，导致红细胞弯曲成僵硬的新月形或“镰刀”形，而不是保持柔软的圆形。这些变形的细胞会堵塞微小血管，阻碍血流并损害器官。

从超负荷的实验室到 AI 助手

确认镰状细胞病的传统方法——如血红蛋白电泳或基因检测——虽然准确，但通常昂贵、对设备要求高且耗时。相比之下，许多诊所已有基本显微镜，现代相机也能拍摄高分辨率的血涂片图像。作者基于这一现实：不改变血液采集方式，而是改变图像的分析方式。他们将数字化的血涂片图像输入已经从数百万张日常照片中学会识别模式的 AI 模型，然后对这些模型进行微调，以区分正常红细胞和镰状细胞。这种利用先前知识的做法称为迁移学习，在只有数百张医学图像可用于训练时尤其关键。

教机器识别微妙的形状差异

并非所有 AI 训练方法在数据有限时都同样有效。研究人员比较了三种流行的图像识别网络——ResNet-50、DenseNet-121 和 EfficientNet-B0——以及三种训练方式。其中两种将问题视为简单的二分类（是否为镰状）并试图提高模型的原始分类准确率。第三种方法称为三元组损失（triplet loss），它教会网络把图像排列在一个“形状空间”中，使镰状细胞图像聚集在一起并远离正常细胞图像。这种以对比为中心的训练使模型成为识别基于形状的细微差异的专家，而这正是显微镜下鉴别镰状细胞的关键。

让决策过程可见

影响患者护理的任何自动化系统都需要医生和实验室工作者的信任。为了解开 AI 的“黑箱”，作者使用了一种可解释 AI 方法——Grad-CAM，它在原始显微图像上叠加热图，显示哪些区域对决策影响最大。

从研究到真实诊所

研究结论是，智能地重用已有的图像识别网络，结合三元组损失训练和视觉解释，能够用相对较少的图像实现准确且透明的镰状细胞检测。通俗地说，标准显微镜加上相机和笔记本电脑，就能帮助一线诊所快速筛查可能患有镰状细胞病的患者，即使没有先进的实验室检测。尽管在广泛部署前仍需更大且更多样化的数据集，这项工作为在镰状细胞病高发但诊断资源有限的地区实现低成本、AI 辅助筛查指明了清晰路径。

引用: Patel, J., Muralikrishna, H., Chadaga, K. et al. Sickle cell disease detection in low-resource conditions using transfer-learning and contrastive-learning coupled with XAI. Sci Rep 16, 6104 (2026). https://doi.org/10.1038/s41598-026-35831-9

关键词: 镰状细胞病, 医学影像, 深度学习, 低资源诊断, 可解释人工智能