🤖 AI

PRISM: Perinuclear Ring-based Image Segmentation Method for Acute Lymphoblastic Leukemia Classification

本文介绍了PRISM，这是一种用于急性淋巴细胞白血病分类的新方法，它通过利用自适应核周环提取鲁棒的纹理和颜色描述符，从而规避了细胞质分割的挑战，并通过校准的传统分类器集成实现了98.46%的高准确率和0.9937的精确率-召回率曲线下面积。

原作者： Larissa Ferreira Rodrigues Moreira, Leonardo Gabriel Ferreira Rodrigues, Rodrigo Moreira, André Ricardo Backes

发布于 2026-05-14

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Larissa Ferreira Rodrigues Moreira, Leonardo Gabriel Ferreira Rodrigues, Rodrigo Moreira, André Ricardo Backes

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

想象你是一名医生，试图在挤满无辜者（健康血细胞）的拥挤房间里，识别出一种特定的捣乱分子（癌细胞）。这些捣乱分子看起来与无辜者非常相似，而且房间里的光线往往昏暗或不均匀，使得难以将它们区分开来。

长期以来，试图完成这项工作的计算机面临两个主要问题：

“轮廓”问题：它们试图围绕每一个细胞画一个完美的圆圈，将其与背景分离。但由于细胞具有粘性、相互重叠，且颜色杂乱，计算机常常感到困惑，画出错误的线条。
“黑箱”问题：更新、更聪明的计算机（深度学习）不再尝试画线，而是基于整张图片进行猜测。它们擅长猜测，但就像一个魔法 8 号球：它们能给出正确的答案，但没人知道它们为何说是或否。此外，它们需要庞大且昂贵的超级计算机来进行学习。

引入 PRISM：“同心圆环”侦探

本文的作者 Larissa、Leonardo、Rodrigo 和 André 构建了一种名为 PRISM 的新方法。他们不再试图描绘细胞杂乱的边缘，而是决定专注于唯一稳定且易于寻找的东西：细胞核（细胞的深色中心）。

以下是 PRISM 的工作原理，使用一个简单的类比：

1. 锚点（细胞核）

将细胞核想象成雾海中的灯塔。它是细胞中唯一黑暗、圆润且易于识别的部分。PRISM 首先找到这座灯塔并将其锁定。

2. 圆环（核周区）

PRISM 不再试图寻找海岸线（细胞膜），而是在灯塔周围绘制两个不可见的、向外扩展的圆环：

圆环 1（近端区）：这是紧邻灯塔的立即区域。在健康细胞中，该区域呈现一种样子；在患病细胞中，则呈现不同的样子。
圆环 2（远端区）：这是一个稍宽、位置更靠外的圆环。

通过观察这些特定的圆环，计算机无需知道细胞在哪里结束以及背景在哪里开始。它只需观察细胞核周围的“街区”。

3. 线索（特征）

一旦圆环绘制完成，PRISM 就像一位法医科学家。它不仅仅查看图片，而是测量具体的线索：

颜色：圆环有多蓝或多黄？（癌细胞通常具有不同的颜色模式）。
纹理：该区域是平滑的还是颗粒状的？（就像将光滑的丝绸与粗糙的砂纸进行比较）。
梯度：当你从中心向外移动到圆环时，颜色变化的速度有多快？

它将所有这些视觉线索转化为一个简单的数字列表（“表格”），而不是试图处理巨大且复杂的图像。

4. 法官小组（集成模型）

最后，PRISM 不依赖单一计算机程序来做出最终决定。它使用一个由不同、更简单的算法组成的“团队”（就像一支拥有不同专长的侦探团队）。

有些擅长在树木中发现模式（随机森林）。
有些擅长在群体之间画线（支持向量机 SVM）。
它们全部投票，然后由一位“首席法官”（元分类器）查看它们的投票以做出最终裁决。

结果：为什么这很重要？

该论文在标准血细胞数据集（ALL-IDB2）上测试了这种方法，并发现了一些令人印象深刻的结果：

极其准确：PRISM 达到了 98.46% 的准确率。这意味着它几乎每次都能正确识别患病细胞。
胜过“黑箱”：令人惊讶的是，这种基于圆环的简单方法的表现优于或等同于需要庞大超级计算机的最先进、最复杂的深度学习模型（如 ResNet 和 Swin Transformer）。
透明：因为 PRISM 观察特定的圆环和颜色，医生实际上可以理解计算机做出决定的原因。这不是魔法猜测，而是基于可测量的事实。
廉价且快速：运行此方法不需要价值 10,000 美元的显卡。它可以在标准计算机（仅 CPU）上轻松运行，使其非常适合资源有限的地区。

总结
PRISM 是一种巧妙的变通方法。它不再与在杂乱细胞周围绘制完美轮廓的必败之战作斗争，而是完全忽略边缘。它专注于稳定的中心，测量直接周围环境，并利用一组简单、可解释的工具来诊断问题。它证明了有时，你不需要超级复杂的 AI 来解决医学问题；你只需要一种聪明、专注的方法。

技术摘要：用于急性淋巴细胞白血病分类的 PRISM

问题陈述
通过外周血涂片分析进行急性淋巴细胞白血病（ALL）的自动化诊断面临重大障碍。传统的计算机辅助诊断（CAD）流程严重依赖精确的细胞膜分割来提取形态学生物标志物（例如核增大、胞质减少）。然而，由于红细胞重叠、核质对比度低以及染色不一致，这一步骤在常规实验室条件下经常失败。相反，虽然深度学习（DL）方法（卷积神经网络 CNNs、视觉 Transformer）已实现高准确率，但它们通常作为缺乏可解释性的“黑盒”运行，容易在小规模医疗数据集上过拟合，并且需要大量的计算资源（GPU），从而限制了其在资源受限或分散式医疗环境中的部署。

方法论：PRISM 框架
作者提出了一种基于核周环的图像分割方法（PRISM），这是一种轻量级、不依赖 GPU 的方法，绕过了对显式全细胞膜勾勒的需求。该方法论分为四个集成阶段：

预处理与核分割：
- 输入图像（256 × 256）被标准化并映射到 CIELAB 和 HSV 颜色空间。
- 生成自定义的色度评分图（ $S_{chroma}$ ），通过加权蓝 - 黄对立通道和饱和度来最大化核质对比度。
- 利用光通道的 Otsu 阈值法进行核分割，并在边缘情况下采用 K-Means 聚类作为回退方案。拓扑启发式算法过滤伪影，生成稳健的核掩膜（ $M_n$ ），作为几何锚点。
基于 PRISM 的空间映射（区域提取）：
- PRISM 不分割整个细胞，而是围绕核（ $M_n$ ）构建自适应的同心区域。
- 自适应膨胀策略根据核面积计算膨胀半径（ $\delta^*$ ），以动态界定区域，防止过度延伸。
- 定义了两个互斥的空间区域：
  - $Z_1$ （近端界面）： 紧邻的核周区域（ $D_{\delta^*_1}(M_n) \setminus M_n$ ）。
  - $Z_2$ （远端胞质）： 距离核更远的区域（ $D_{\delta^*_2}(M_n) \setminus D_{\delta^*_1}(M_n)$ ）。
- 这些区域，连同细胞核和粗略的细胞边界，作为特征提取的独立基础。
多域特征提取：
- 形态学/拓扑学： 几何属性（面积、圆度、实心度）和核质比（N:C）。
- 色度统计： RGB 和灰度通道的一阶矩（均值、标准差）。关键在于，该方法计算空间强度梯度（ $\Delta$ ），表示颜色和纹理从核向周边的衰减（ $\mu(M_n) - \mu(Z_i)$ ）。
- 纹理分析： 源自灰度共生矩阵（GLCM）的宏观纹理特征（对比度、同质性、能量、相关性），以及通过局部二值模式（LBP）捕获的微观纹理异质性，下采样至 32 个直方图区间以降低维度。
元分类（集成堆叠）：
- 采用异构集成堆叠架构。
- 第 0 层： 多样化的基分类器池（随机森林、Extra Trees、XGBoost、SVM、KNN、逻辑回归）。
- 校准： 对基模型输出应用 Platt 缩放，以确保它们代表真实后验概率。
- 第 1 层： 带有 RBF 核的支持向量机（SVM）作为元分类器，基于袋外（OOF）概率进行训练，以防止数据泄露。

主要贡献

自适应数学方法论： PRISM 用基于生物稳定核的多尺度同心区域方法，取代了容易出错的全细胞分割任务。
可解释性： 与不透明的深度学习模型不同，PRISM 将预测建立在核质界面处明确、临床可验证的形态学和色度梯度之上。
计算效率： 该框架将高维计算机视觉任务转化为轻量级的表格机器学习问题，使高性能推理能够在仅 CPU、资源受限的设备上实现，无需依赖 GPU。
最先进性能： 实验验证表明，PRISM 驱动的集成在 ALL-IDB2 数据集上的表现优于或等同于最先进的端到端深度学习架构。

实验结果
在 ALL-IDB2 数据集（260 个孤立细胞：130 个白血病细胞，130 个健康细胞）上使用 5 折分层交叉验证进行评估：

性能： 最优集成配置（Extra Trees + SVM + 逻辑回归）实现了98.46% 的准确率、0.9937 的精确率 - 召回率 AUC以及0.9698 的 Matthews 相关系数（MCC）。
消融研究： 研究发现，由两个模型（RF + SVM）组成的最小集成足以达到峰值准确率（98.46%），而将模型复杂度增加到三个以上并未带来显著收益，有时甚至由于元分类器过拟合而导致性能下降。
与深度学习对比： PRISM 的表现优于五个深度学习基线（ResNet-18、VGG16、DenseNet-121、EfficientNet-B0、Swin Transformer）。值得注意的是，EfficientNet-B0 实现了 98.08% 的准确率，而 PRISM 在无需预训练权重、广泛迁移学习或 GPU 加速的情况下实现了 98.46% 的准确率。
与文献对比： PRISM 的表现与近期复杂的深度学习集成（例如 [Rodrigues 等人 2022]、[Das 等人 2025]）相当，并显著优于传统的手工方法，同时保持了低成本、无 GPU 的执行流程。

意义与主张
本文声称，PRISM 通过平衡准确率、可解释性和效率，为自动化淋巴母细胞筛查确立了新标准。其主要意义在于：

生物学聚焦： 通过将分析在几何上限制在细胞核和核周环内，该方法避免了学习通常困扰端到端 CNN 的混淆背景伪影（例如染色变化、红细胞密度）。
临床可行性： 该框架提供了基于可验证生物标志物的透明决策过程，解决了深度学习在医疗环境中“黑盒”的局限性。
可及性： 通过消除对高端 GPU 和复杂训练流程的需求，PRISM 提供了一种可扩展的解决方案，适用于资源有限或分散式环境中的即时诊断。

作者得出结论，分割轻量化、可解释的表示形式能够以实际效率提供高准确率的 ALL 筛查，并提议未来的工作将 PRISM 集成到便携式显微镜流程中，并在来自不同实验室的真实世界临床数据上进行验证。