医学生物工程计算3360提出不完全抗体分级检测新方法

输血是临床上治疗急性失血、贫血和凝血障碍的主要手段，挽救了无数患者的生命。但输血不相容可导致多种输血不良反应，增加溶血性疾病(如新生儿溶血病、自身免疫性溶血病、药物免疫性溶血病)和肾功能衰竭的风险，严重者甚至死亡。不完全抗体是引起溶血性输血反应的主要因素。为有效避免输血不良反应，患者在输血前应进行抗人球蛋白试验。如图1所示，不完全抗体检测反应的强度可分为五个等级。强度越大，输血不相容程度越高。如果输入血液与患者自身血液的不相容程度越高，输血不良反应就越严重。

目前，微柱凝胶抗人球蛋白试验在临床上应用广泛，但存在假阳性结果、原材料价格高等问题。中国科学院苏州生物医学工程技术研究所血液免疫中心团队提出了水凝胶抗人球蛋白的检测方法(DOI:10.1016/j . transci . 2015 . 06 . 003)，研制了不完全抗体检测智能设备。但检测设备的反应装置遮挡了检测者的视线，无法直接观察结果，打开反应装置直接观察容易造成血样污染。同时，人工判读主观性强，准确率低(平均准确率为88.5%)，效率低。因此，提高不完全抗体检测反应强度的分类效率，客观地进行智能检测和分类，实现临床检测和判读的标准化，将有助于建立不完全抗体检测反应强度的量化分类体系，促进不完全抗体检测智能判读设备的研发。

苏医院X power团队协助血液免疫学研究中心团队，针对自主研发的不完全抗体智能判读设备，提出了不完全抗体反应强度分级检测的新方法(CBAM-CNN系综模型)。如图2所示，借助集成深度学习方法，基于多种深度卷积神经网络架构，研究采用端到端并行混合处理模式构建不完全抗体反应强度自动分级模型，同时采用毫秒级决策融合计算方法自动输出反应强度水平。实验结果表明，集成深度卷积网络具有良好的检测能力，准确率高达99.8%。与三个实验者(工作2-5年)组成的专家团队的结果相比，提出的方法具有明显的优势(准确率提高了11.3%)，检测和解释速度提高了约60倍(0.094秒/张vs. 5.528秒/张)。相关结果发表在。

上述方法在训练卷积神经网络的过程中，需要事先对小样本集的数据进行增强。然而，增强样本并不能完全实现图像的语义不变性，导致临床应用受到限制。为此，提出了一种基于神经网络和机器学习的分类方法(CNN-ML集成模型)。如图3所示，研究使用Lasso绝对回归算法(LASSO)过滤冗余非线性特征，高效分析高维空间小样本数据，克服样本量不足的问题，精确拟合不完全抗体的数据分布。实验结果表明，用原始集合训练的卷积神经-机器学习集成模型的分类准确率达到99.2%，接近用增强训练训练的集成深度卷积网络模型的准确率。同时，在人机交互实验中，实验者借助该模型的准确率提高了17.9%，增加了智能模型辅助的可靠性。相关结果发表在。

上述工作探索并验证了人工智能方法在不完全抗体检测中的潜在价值，可以准确高效地实现不完全抗体反应强度的分级检测。该方法将提高溶血病设备的自动化和智能化水平，具有临床应用潜力，为我国血液安全保障的发展做出贡献。目前，研究团队正在利用相关技术，应用嵌入式软硬件相结合的方法，开展智能判读设备的研发工作，以保证采集图像的真实性和分析结果的有效性，推动智能精确诊断设备的自动化建设。这项研究得到了英国皇家科学院的支持。山东省和国家的d计划。

图一。不完全抗体样本的检验结果：(a)-(b)、(c)、(d)和(e)。