基于YOLOV8深度学习模型辅助诊断急性早幼粒细胞白血病

doi:10.3969/j.issn.1673-8640.2025.10.012

检验医学 ›› 2025, Vol. 40 ›› Issue (10): 998-1003.DOI: 10.3969/j.issn.1673-8640.2025.10.012

基于YOLOV8深度学习模型辅助诊断急性早幼粒细胞白血病

罗远美¹, 刘畅¹, 陈立龙¹, 李振彰², 岳雨彪², 李杨², 徐令清¹()

¹ 广州医科大学附属清远医院清远市人民医院检验医学部，广东清远 511500
² 广州医科大学生物医学工程学院，广东广州 511436

收稿日期:2024-05-24 修回日期:2024-09-20 出版日期:2025-10-30 发布日期:2025-11-07
通讯作者: 徐令清，E-mail：lingqing_xu@126.com。
作者简介:罗远美，女，1983年生，学士，副主任技师，主要从事感染和血液系统疾病人工智能应用研究。
基金资助:
广东省医学科学技术研究基金项目(A2021490);清远市科技计划基金项目(221104197683799);清远市人民医院医学科研基金项目(20190209);清远市人民医院医学科研基金项目(202301-201);清远市人民医院医学科研基金项目(202301-318)

Acute promyelocytic leukemia diagnosis assisted by YOLOV8 deep learning model

LUO Yuanmei¹, LIU Chang¹, CHEN Lilong¹, LI Zhenzhang², YUE Yubiao², LI Yang², XU Lingqing¹()

¹ Department of Clinical Laboratory， Qingyuan People's Hospital，the Affiliated Qingyuan Hospital of Guangzhou Medical University， Qingyuan 511500，Guangdong， China
² School of Biomedical Engineering， Guangzhou Medical University， Guangzhou 511436，Guangdong， China

Received:2024-05-24 Revised:2024-09-20 Online:2025-10-30 Published:2025-11-07

摘要/Abstract

摘要：

目的分析YOLOV8深度学习（DL）模型快速识别急性早幼粒细胞白血病（APL）细胞图像的可行性。方法收集2004—2023年广州医科大学附属清远医院56例明确诊断为APL且未经治疗的患者的骨髓涂片，用MGview1.0软件进行拍摄，采集其中1 551张清晰图像，采用Make Sense软件标注细胞类别（“ZYLXB”类别和“Other”类别）。共标注异常早幼粒细胞图片5 041张和其他类型细胞图片1 606张，随机抽取4 033张异常早幼粒细胞图片和1 330张其他类型细胞图片作为训练集，训练结束后的剩余图片纳入验证集。建立YOLOV8深度学习模型，评价该模型快速识别APL细胞图像的效能。结果 YOLOV8 DL模型识别异常早幼粒细胞的准确率达91%，且随置信度阈值的增加，精确度也呈逐渐提高的趋势，在阈值约为0.9时达到高点。结论 YOLOV8 DL模型可对APL图像进行快速且准确的识别。

关键词: YOLOV8深度学习, 急性早幼粒细胞白血病, 骨髓涂片

Abstract:

Objective To analyze the feasibility of using the YOLOV8 deep learning（DL） model to rapidly identify cell images of acute promyelocytic leukemia（APL）. Methods Bone marrow smears from 56 untreated patients diagnosed with APL at the Affiliated Qingyuan Hospital of Guangzhou Medical University from 2004 to 2023 were collected. Medical image capture software was used to take pictures，and 1 551 clear images were collected and labeled with cell types（ZYLXB and Other） by Make Sense software. A total of 5 041 abnormal promyelocyte images and 1 606 other-type cell images were labeled. Totally，4 033 abnormal promyelocyte images and 1 330 other-type cell images were randomly selected as the training set，and the remaining images after training were included in the validation set. A YOLOV8 DL model was established to evaluate the model's ability to rapidly identify APL cell images. Results The accuracy of the YOLOV8 DL model in identifying abnormal promyelocytes reached 91%，and the precision gradually increased with the increase of the confidence threshold，reaching a peak at approximately 0.9. Conclusions The YOLOV8 DL model can rapidly and accurately identify APL images.

Key words: YOLOV8 deep learning, Acute promyelocytic leukemia, Bone marrow smear

中图分类号:

R446

罗远美, 刘畅, 陈立龙, 李振彰, 岳雨彪, 李杨, 徐令清. 基于YOLOV8深度学习模型辅助诊断急性早幼粒细胞白血病[J]. 检验医学, 2025, 40(10): 998-1003.

LUO Yuanmei, LIU Chang, CHEN Lilong, LI Zhenzhang, YUE Yubiao, LI Yang, XU Lingqing. Acute promyelocytic leukemia diagnosis assisted by YOLOV8 deep learning model[J]. Laboratory Medicine, 2025, 40(10): 998-1003.

图/表 7

图1 细胞显微图像（5 440像素×3 648像素，×1 000）

图2 不同类别细胞的F1-置信曲线

图3 不同类别细胞的精确度-置信度曲线注： Other； ZYLXB；所有类别细胞。

图4 不同类别细胞的混淆矩阵

图5 类别实例的分布和定位/大小特征的分布注：（a）不同类别细胞实例数；（b）不同类别细胞定位分布；（c）不同类别细胞大小分布。

图6 标签特征间的相关性

图7 模型检测示例

参考文献 16

[1]	KANTARJIAN H, KADIA T, DINARDO C, et al. Acute myeloid leukemia:current progress and future directions[J]. Blood Cancer J, 2021, 11(2):41. DOI
[2]	杨雪, 王建祥. 急性髓系白血病的分子机制和靶向治疗[J]. 中国细胞生物学学报, 2022, 44(1):185-192.
[3]	OWATTANAPANICH W, RUNGJIRAJITTRANON T, JANTATAEME A, et al. Simplified predictive scores for thrombosis and bleeding complications in newly diagnosed acute leukemia patients[J]. Thromb J, 2023, 21(1):65. DOI PMID
[4]	LANCET J E, MOSELEY A B, COUTRE S E, et al. A phase 2 study of ATRA,arsenic trioxide,and gemtuzumab ozogamicin in patients with high-risk APL(SWOG 0535)[J]. Blood Adv, 2020, 4(8):1683-1689. DOI URL
[5]	HAIBE-KAINS B, ADAM G A, HOSNY A, et al. Transparency and reproducibility in artificial intelligence[J]. Nature, 2020, 586(7829):E14-E16.
[6]	CAMPANELLA G, HANNA M G, GENESLAW L, et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images[J]. Nat Med, 2019, 25(8):1301-1309. DOI PMID
[7]	LEE S I, CELIK S, LOGSDON B A, et al. A machine learning approach to integrate big data for precision medicine in acute myeloid leukemia[J]. Nat Commun, 2018, 9(1):42. DOI
[8]	CHING T, HIMMELSTEIN D S, BEAULIEU-JONES B K, et al. Opportunities and obstacles for deep learning in biology and medicine[J]. J R Soc Interface, 2018, 15(141):20170387. DOI URL
[9]	朱红标, 刘强冬, 戴芳, 等. 深度学习在口腔医学图像分析中的研究进展[J]. 中国实用口腔科杂志, 2023, 16(4):488-492.
[10]	高子涵, 罗与, 吴亚平, 等. 人工智能在肝细胞癌MRI的应用进展[J]. 磁共振成像, 2023, 14(8):154-157.
[11]	刘春, 蹇文渊, 段俊国. 人工智能应用于糖尿病视网膜病变的文献计量学分析[J]. 中国全科医学, 2023, 26(15):1847-1856. DOI
[12]	王琳毅, 白静, 李文静, 等. YOLO系列目标检测算法研究进展[J]. 计算机工程与应用, 2023, 59(14):15-29. DOI
[13]	邵延华, 张铎, 楚红雨, 等. 基于深度学习的YOLO目标检测综述[J]. 电子与信息学报, 2022, 44(10):3697-3708.
[14]	KIM S J, CHO K J, OH S. Development of machine learning models for diagnosis of glaucoma[J]. PLoS One, 2017, 12(5):e0177726. DOI URL
[15]	BOGUNOVIC H, WALDSTEIN S M, SCHLEGL T, et al. Prediction of anti-VEGF treatment requirements in neovascular AMD using a machine learning approach[J]. Invest Ophthalmol Vis Sci, 2017, 58(7):3240-3248. DOI URL
[16]	IYER S G, ELIAS L, STANCHINA M, et al. The treatment of acute promyelocytic leukemia in 2023:paradigm,advances,and future directions[J]. Front Oncol, 2023, 12:1062524. DOI URL

基于YOLOV8深度学习模型辅助诊断急性早幼粒细胞白血病

Acute promyelocytic leukemia diagnosis assisted by YOLOV8 deep learning model

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 16

相关文章 15

编辑推荐

Metrics

[1]	马镜云, 王萌萌, 熊博钰, 戴卓文, 潘月月, 王琼. 变异型急性早幼粒细胞白血病表型特征和治疗效果评估相关进展[J]. 检验医学, 2025, 40(6): 606-614.
[2]	熊博钰, 王萌萌, 马镜云, 戴卓文, 潘月月, 王琼. 以髓外侵犯首发急性早幼粒细胞白血病误诊Ewings肉瘤1例报道[J]. 检验医学, 2025, 40(10): 1025-1029.
[3]	胡刘平, 李月, 成斌, 韦宝生, 蔡建雷, 杜玉珍. 原发性肝癌经放疗和靶向治疗后继发急性早幼粒细胞白血病1例报道并文献复习[J]. 检验医学, 2024, 39(5): 510-512.
[4]	柴国静, 南英博, 赵海利, 马香书, 赵鹏, 李金丫. PML/RARɑ阳性APL缓解后继发PML/RARɑ阴性AML 1例报道[J]. 检验医学, 2023, 38(11): 1106-1108.
[5]	荆源, 蔡薇, 李承文. 伴有2个t（15;17）及四倍体核型的急性早幼粒细胞白血病1例报道[J]. 检验医学, 2022, 37(4): 400-402.
[6]	王晶, 陈继军, 黄瑶楠, 原晓庆, 高山, 高倩, 刘家云. 以单侧下肢肿胀为罕见首发症状急性早幼粒细胞白血病1例报道及文献复习[J]. 检验医学, 2021, 36(7): 782-784.
[7]	沈晓雅, 娄引军, 王文娟. 急性早幼粒细胞白血病预后生存模型的建立[J]. 检验医学, 2021, 36(3): 292-295.
[8]	张校辉, 邢江涛, 张玉娜, 李建英, 苗蕊, 胡蕊, 朱芸. 变异性急性早幼粒细胞白血病实验室检查结果分析[J]. 检验医学, 2019, 34(10): 871-875.
[9]	韦善求，苏国生，兰江，罗晓璐. 免疫缺陷综合征合并马尔尼菲青霉病的实验室诊断研究[J]. 检验医学, 2014, 29(4): 339-341.
[10]	韦善求，罗晓璐，梁娟英，方凤花. 骨髓涂片镜检对AIDS合并播散性马尔尼菲青霉感染的诊断价值[J]. 检验医学, 2013, 28(12): 1095-1098.
[11]	莫武宁;韦善求. 骨髓涂片检查对神经母细胞瘤诊断的意义[J]. 检验医学, 2011, 26(06): 394-397.
[12]	赵红光;张辉;李炳芝. 新疆阿克苏141例白血病分析[J]. 检验医学, 2010, 25(04): 334-335.
[13]	朱蕾;龚旭波;卢兴国. 特发性血小板减少性紫癜骨髓涂片中巨噬细胞的观察[J]. 检验医学, 2007, 22(03): 376-376.
[14]	陶英;浦权;刘薏芝;赵丽群;杨莲萍;李晓. 间变性大细胞淋巴瘤侵犯骨髓涂片细胞形态特征[J]. 检验医学, 2006, 21(02): 185-186.
[15]	刘瑜;万楚成;夏云金;章正华;胡明均;张霞;杨华强;刘莉荣;周梅玲. 骨髓活检切片与涂片同步分析对诊断骨髓增生异常/骨髓增殖性疾病意义的探讨[J]. 检验医学, 2005, 20(06): 579-581.