血细胞形态评估通过光学显微镜进行，是血液学诊断的基石，能为多种疾病提供关键信息。然而，由于细微的形态变异、生物异质性以及技术成像等因素，这项任务极度依赖专家经验，自动化难度大。传统的判别模型方法，难以应对域偏移、类内变异和罕见形态变体等问题，限制了其临床实用性。生成模型，特别是基于扩散的模型，通过建模数据分布，有望克服传统方法的局限性，提供更鲁棒、可解释且数据高效的解决方案。

近日，剑桥大学联合鲁汶大学医院在《Nature Machine Intelligence》上发表了题为“Deep generative classification of blood cell morphology”的文章。该研究开发了一种基于扩散的生成分类器CytoDiffusion，旨在准确建模血细胞形态分布，兼具分类准确性、异常检测、域偏移鲁棒性与可解释性等多维优势。模型借助扩散过程逼近数据分布，在潜在空间捕获形态特征，并基于学到的分布表示作出分类决策。其核心并非仅学习分类边界，而是建模血细胞的完整形态分布。

研究团队在多个真实世界临床数据集上训练CytoDiffusion，以保障泛化能力并通过多任务测试验证效果。首先在生成图像真实性测试中，团队用CytoDiffusion合成1440张血细胞图像并与等量真实图像混合，由十名血液学专家对2880张图像评估，结果显示专家正确率接近随机猜测，表明合成与真实图像几乎无法区分。其次在标准分类任务中，CytoDiffusion在多个数据集上达到或超越传统判别模型性能，体现出其在高精度分类上的优势。

通过贝叶斯心理测量学分析，CytoDiffusion的不确定性估计更接近理想观察者行为，心理测量函数拟合优度高，阈值和宽度参数的后验分布集中；而人类专家或判别模型在高置信度时会出现非单调行为，可靠性较低。这说明CytoDiffusion能更准确量化分类决策的不确定性，有助于标记临床中的困难案例。此外，CytoDiffusion在域偏移条件下表现出强鲁棒性，可泛化至不同成像条件，适配真实临床环境。

该研究首次将扩散模型用于血细胞分类，突破判别模型局限，通过分布学习取代边界学习，实现对数据本质的更深理解，为血液学诊断提供了更可靠、可解释的AI工具。未来，研究可进一步优化计算效率，并探索在其他医学影像领域的应用。

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

注：此研究成果摘自《Nature Machine Intelligence》杂志，文章内容并不代表本网站的观点和立场，仅供参考。