🤖 machine learning

KAYRA: A Microservice Architecture for AI-Assisted Karyotyping with Cloud and On-Premise Deployment

本文介绍了 KAYRA，一种用于 AI 辅助核型分析的容器化微服务架构，它将级联深度学习流程与灵活的云端或本地部署相结合，并在试点临床评估中证明了其相较于现有商业系统在分割和分类精度方面具有统计学显著的提升。

原作者： Attila Pintér, Javier Rico, Attila Répai, Jalal Al-Afandi, Adrienn Éva Borsy, András Kozma, Hajnalka Andrikovics, György Cserey

发布于 2026-04-30

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Attila Pintér, Javier Rico, Attila Répai, Jalal Al-Afandi, Adrienn Éva Borsy, András Kozma, Hajnalka Andrikovics, György Cserey

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下医院实验室里，科学家们需要在一堆杂乱无章、纠缠在一起的微小细丝（染色体）中进行分拣，以检查遗传健康状况。这一过程称为核型分析，就像蒙着眼睛试图解开一团圣诞彩灯，然后按颜色和大小进行分拣。传统上，这需要高度训练有素的专家手动完成，每位患者耗时30至90分钟。这种方法速度慢、成本高，且难以找到足够多的专家来执行。

KAYRA 是一款新型软件系统，旨在充当这些专家的“超级助手”。它利用人工智能承担繁重工作，但其构建方式非常具体，以适应真实医院的需求。

以下是 KAYRA 的工作原理，通过简单的类比进行解释：

1. 软件的“瑞士军刀”（微服务）

大多数软件就像一个巨大而沉重的工具箱，如果其中一件工具损坏，整个箱子就毫无用处。KAYRA 则不同。它构建得像一个模块化厨房。

并非由一个巨型机器人包揽所有工作，KAYRA 由多个小型、独立的“厨师”（微服务）组成，它们按流水线协同工作。
一位厨师切菜（定位染色体），另一位切块（分离染色体），第三位按类型分拣，第四位则将它们摆盘。
为何重要：如果负责“切块”的厨师卡住了，负责“分拣”的厨师仍可利用现有资源继续工作。系统不会崩溃，只会向人类专家提供部分结果以供修正。这在医院环境中至关重要，因为机器绝不能仅仅因为故障而停止运行。

2. “放大”策略（级联感兴趣区域）

试图在整个显微镜载玻片中寻找染色体，就像试图通过观察整个谷仓来在干草堆里找到一根特定的针。信息量太大了。

步骤 1（Otsu 滤波器）：KAYRA 首先快速、模糊地扫描整张图像，以定位“干草堆”区域。它会忽略空白空间。
步骤 2（U-Net 细化器）：随后，它放大视野，利用智能滤波器清理边缘，精确定位染色体的确切位置。
步骤 3（Mask R-CNN）：最后，它仅针对染色体进行紧密放大。此时，人工智能无需猜测；它只需将纠缠的细丝彼此分离。
优势：通过逐步缩小焦点，人工智能减少了错误，因为它不会被背景干扰。

3. “双门”部署（云端与本地）

医院对患者数据有严格规定。有些医院可以将数据发送至“云端”（互联网），但其他医院则不行，因为数据必须保留在建筑物内部。

KAYRA 就像一个万能手提箱。它的打包方式使其可以在两个不同的房间中 unpack 并运行：
- 云端房间：它在强大的远程服务器上运行（如同酒店）。
- 本地房间：它在医院内部的本地计算机上运行（如同家庭办公室）。
这两个房间中的“手提箱”（软件代码）完全相同。这意味着，即使是对隐私要求严格的医院，也能使用与其他医院同样强大的人工智能。

4. “人在回路”审查

KAYRA 并非取代人类专家，而是充当绘图员的角色。

人工智能进行初步分拣和标记。
随后，人类专家查看屏幕。他们可以查看人工智能的工作成果，并轻松修正错误：“不，那不是 5 号染色体，是 10 号”，或者“这两条粘在一起了，请分开它们”。
系统会记录人类做出的每一次更改，形成关于最终结果如何达成的完美历史记录。

5. 结果：表现如何？

研究人员使用来自 10 名患者样本的 459 条染色体，将 KAYRA 与另外两个系统（一个旧系统，一个现代系统）进行了测试。

分离细丝：KAYRA 的正确率高达98.9%。旧系统的正确率仅为 40%，而现代人工智能竞争对手的正确率为 78%。
按类型分拣：KAYRA 正确识别染色体类型的比例为89.1%。这优于旧系统（54.5%），也略优于现代人工智能（86.9%），尽管与现代人工智能的差异在统计上尚未达到巨大程度。
方向定位：KAYRA 正确判断旋转方向的比例为89.7%。它优于旧系统，但略逊于现代人工智能（94.5%）。

核心结论

本文的核心观点是，你可以构建一个功能强大且复杂的医疗人工智能系统，它既灵活到足以在任何地方（云端或本地）运行，又稳健到足以处理错误而不会崩溃。这证明了一个多步骤的人工智能流程可以被打包成一个可靠的服务，帮助医生更快、更准确地工作，同时仍由人类专家掌控最终决策。

注：该论文指出，该系统目前处于“技术就绪水平（TRL）6"的成熟度，意味着它已在相关环境（试点研究）中得到验证，但仍在为获得全面监管批准（如 FDA 或 CE 认证）以进行广泛临床应用而做准备。

以下是论文《KAYRA：一种支持云部署和本地部署的 AI 辅助核型分析微服务架构》的详细技术总结。

1. 问题陈述

核型分析是一项关键的临床诊断程序，涉及从 G 显带中期相显微图像中人工识别、排序和配对人类染色体。它在产前筛查、肿瘤学（例如检测费城染色体易位）和遗传病诊断中至关重要。

当前挑战： 该过程目前依赖人工操作，耗时（每例 30–90 分钟），且依赖于稀缺的受过高度训练的细胞遗传学家 workforce。
系统工程差距： 虽然深度学习模型（如 Mask R-CNN、U-Net）在分割和分类方面已显示出高精度，但缺乏稳健的系统工程解决方案。具体而言，需要一种可部署的临床服务，能够：
- 处理多模型流水线（检测、分割、分类）。
- 在严格的临床约束下运行（患者数据驻留、云与本地部署的灵活性）。
- 集成“人在回路”工作流以供专家审查。

2. 方法论：KAYRA 系统

KAYRA 是一个端到端的核型分析系统，架构为容器化微服务流水线。其设计具有部署无关性，可在云环境（托管 Kubernetes）和本地环境（Docker Compose）中运行相同的容器镜像。

A. 系统架构

系统将工作流分解为通过 HTTP/REST 通信的单一职责微服务：

流水线编排器： 协调每张图像的流程。它实现了降级运行：如果上游服务失败，流水线将跳过该阶段并返回部分结果，而不是完全失败，从而确保对细胞遗传学家的实用性。
模型服务：
1. 语义分割： EfficientNet-B5 + U-Net。
2. 实例检测： Mask R-CNN（ResNet-50 + FPN）。
3. 重复/重叠解析： 专用逻辑阶段。
4. 分类 + 旋转： ResNet-18 分类器。
后端： 处理图像摄入、异步任务队列、交互式编辑 API 以及符合 ISCN 标准的核型图合成。
前端： 支持交互式专家审查（分割、合并、重新分类、旋转染色体），并提供完整的审计追踪。

B. 级联 ROI 收窄流水线

核心创新是级联感兴趣区域（ROI）策略，该策略采用“分而治之”的方法来处理重叠染色体并减少计算负载：

Otsu 预过滤： 原始图像（例如 1830×1830）被下采样，使用 Otsu 方法进行二值化，并对连通分量进行标记以生成粗略裁剪（crop1）。
语义细化： crop1 被下缩放至 992×992，并由U-Net（EfficientNet-B5 骨干网络）处理，生成 3 类掩膜（背景、染色体、重叠）。
紧密 ROI 提取： U-Net 掩膜的非零区域定义了原始分辨率下的更紧密裁剪（crop2）。
实例分割： Mask R-CNN 仅在 crop2 上运行（0°和 45°角度），以检测单个染色体并生成像素级精确的掩膜。
分类： 检测到的染色体被裁剪并传递给ResNet-18分类器，以估计染色体类型（1–22, X, Y）和旋转角度。

级联的重要性：

效率： Mask R-CNN 处理的像素面积减小约 34%，降低了 RPN 提案负载。
稳定性： 固定输入尺寸（992×992）稳定了内存配置和批处理。
准确性： 每个模型仅看到最适合其处理的数据（例如，U-Net 在 Mask R-CNN 尝试分离重叠之前去除背景噪声）。

C. 训练数据

模型是在约 24,000 张专家标注的核型图组合数据集上训练的，包括：

外周血和骨髓样本。
结构异常病例（易位、缺失）。
特定异常（例如 t(9;22) 费城染色体）。
来自商业平台的数据，以确保跨供应商的稳健性。
隐私： 数据分区在患者标识符级别进行，以防止训练/验证/测试集之间的泄露。

3. 主要贡献

微服务架构： 一个灵活的容器化系统，支持云和本地部署，解决了患者数据驻留的关键要求。
级联 ROI 流水线： 一种新颖的工程方法，串联 Otsu 预裁剪、U-Net 语义细化和 Mask R-CNN 实例分割，以提高对重叠染色体的处理性能。
临床验证： 一项严格的试点研究，在真实临床数据上将 KAYRA 与两个商业参考系统（一个基于密度阈值，一个基于现代 AI）进行了比较。
人在回路集成： 专为临床采用设计的工作流，允许细胞遗传学家修正 AI 输出，并提供完整的版本控制和审计功能。

4. 结果

该系统在10 个中期相分裂（7 个正常，3 个异常）的459 条染色体上进行了评估，并与两个商业参考系统进行了对比。

指标	KAYRA	参考系统 2（现代 AI）	参考系统 1（密度阈值）	统计显著性（KAYRA vs. 参考系统 1）
分割准确率	98.91%	78.21%	40.52%	$p < 0.0001$
分类准确率	89.1%	86.9%	54.5%	$p < 0.0001$
旋转准确率	89.76%	94.55%	78.43%	$p < 0.0001$

分割： KAYRA 显著优于两个参考系统，正确分割了 454/459 条染色体。与参考系统 2 相比，它显著减少了“合并”错误。
分类： KAYRA 达到了 89.1% 的准确率，显著优于较旧的参考系统 1。鉴于样本量，与参考系统 2（86.9%）的差异在统计上不显著（ $p=0.34$ ），尽管 KAYRA 在中尺寸的 B 组和 C 组中表现出更优越的性能。
旋转： KAYRA 略低于参考系统 2（89.76% vs. 94.55%），被确定为需要通过训练数据增强进行改进的领域。
稳健性： KAYRA 在技术难度较高的骨髓样本（93.5% 准确率）上的表现优于外周血样本（86.5%），这可能是由于训练分布所致。

5. 意义与结论

临床就绪度： KAYRA 已达到TRL 6（技术就绪水平 6），在相关环境中展示了经过验证的原型。
部署灵活性： 该架构证明，复杂的多模型 AI 流水线可以被打包以满足严格的临床数据治理（本地部署），同时不牺牲云部署的可扩展性。
未来工作： 该系统与骨干网络无关，允许未来升级到基于 Transformer 的模型（例如 Mask2Former），而无需进行架构 overhaul。计划的下一步包括多中心验证、提高旋转准确率，以及解决 Y 染色体代表性不足的问题。

结论： KAYRA 成功弥合了学术深度学习模型与可部署的临床细胞遗传学服务之间的差距，提供了一种稳健、灵活且高精度的解决方案，能够无缝集成到现有的专家工作流中。