血细胞形态学评估是血液学诊断的核心，但人工解读受主观差异、罕见变异等因素限制，传统机器学习模型难以应对域转移、数据稀缺等临床挑战。2025年11月发表于《Nature Machine Intelligence》的研究提出扩散生成分类器CytoDiffusion，通过建模血细胞形态分布，在精准分类、异常检测、可解释性等方面实现突破，为血液学AI诊断提供新范式。

一、核心背景与技术创新

传统判别式模型（如卷积神经网络）仅学习类别边界，在临床场景中存在明显局限：对显微镜类型、染色技术差异导致的域转移鲁棒性差，稀有细胞类型识别灵敏度不足，低数据量下泛化能力弱，且决策过程缺乏可解释性，难以获得临床信任。

CytoDiffusion基于潜在扩散模型构建，核心创新在于建模完整的血细胞形态分布而非单纯学习分类边界；将输入图像编码至潜空间并添加高斯噪声，通过扩散模型学习不同细胞类别的噪声分布；基于噪声预测误差最小化实现分类，同时天然具备异常检测、不确定性量化能力；生成反事实热力图直接解释决策依据，无需额外解释性算法。

二、关键研究结果

1.生成图像逼近真实，分类性能领先

CytoDiffusion生成的合成血细胞图像，连专业血液科医生也难以区分，识别准确率0.523，接近随机猜测，且细胞类型一致性达0.986，证明其精准捕获了形态学核心特征。在CytoData、PBC等四大数据集上，其分类准确率（如PBC数据集0.9935）、F1值（如Bodzas数据集0.9965）均优于ViT-B/16、EfficientNetV2-M 等主流判别式模型。

2.核心能力突破临床痛点

异常检测方面，识别原始细胞、幼红细胞等异常细胞时，AUC达0.990（ViT-B/16仅0.916），灵敏度和特异性均超0.95，大幅降低漏诊风险；域转移鲁棒性方面，跨显微镜、染色技术的数据集测试中，准确率达0.854（判别式模型平均0.738），适配不同实验室设备差异；低数据效率方面，仅10-50张/类样本时，平衡准确率达 0.962，解决稀有细胞类型数据稀缺问题；不确定性量化方面，通过贝叶斯心理测量模型评估，其不确定性判断优于人类专家，可精准筛选高难度病例供人工复核。

3.可解释性提升临床信任

CytoDiffusion通过反事实热力图直观展示分类依据，例如将嗜酸性粒细胞误分为中性粒细胞时，热力图会高亮颗粒差异区域；区分单核细胞与未成熟粒细胞时，精准标注细胞质特征和空泡结构差异。这种可视化解释无需额外算法，直接源于生成模型过程，确保决策基于临床相关形态学特征。

三、临床价值与研究意义

CytoDiffusion构建了血液细胞图像分析的多维评估框架，涵盖分类准确率、域转移鲁棒性、异常检测、数据效率、可解释性五大核心维度，为医学影像AI的临床转化提供标准化范式。其优势不仅在于性能领先，更在于解决了传统模型的临床适配性问题，生成式建模使其能识别未见过的异常细胞，不确定性量化支持分级诊断workflow，可解释性降低临床应用门槛。

研究也存在局限性，如单图像分类耗时约1.8秒，计算成本高于判别式模型，但可通过模型蒸馏、硬件优化等方式改善。未来可进一步拓展至骨髓细胞分析、罕见血液病筛查等场景，同时探索通过生成模型挖掘未知形态学亚型，助力血液疾病新发现。

原文标题：Deep generative classification of blood cell morphology

来源期刊：Nature Machine Intelligence（2025年11月，第7卷）

核心作者：Simon Deltadahl、Michael Roberts、Parashkev Nachev等

原文链接：https://doi.org/10.1038/s42256-025-01122-7