Segmentation Techniques for Malaria Parasites and Sickle Cells in Peripheral Blood Smear Microscopy: A Systematic Review of Artificial Intelligence Approaches for Field Deployment in Endemic Regions

在实验室寂静的角落里，显微镜揭示了一个肉眼看不见的世界：一层涂在玻璃载玻片上的薄薄血膜，其中充满了微小的圆形红细胞。对于疟疾和镰状细胞病高发地区的医生来说，观察这些载玻片是日常且关乎生死的任务。他们必须发现导致疟疾的微观寄生虫，或识别出预示着镰状细胞病的镰刀状、变形的细胞。这项手工工作缓慢、令人疲惫，且完全依赖于受过训练的专家的敏锐目光和稳定双手。为了减轻这种负担，科学家们数十年来一直致力于教计算机如何观察这些图像并找到人类所能看到的相同模式。这个过程包含三个主要步骤：首先，清理图像以去除噪声；第二，在每一个细胞周围画线，将其从邻近细胞中分离出来；第三，判定该细胞的类型。这个被称为“分割”（segmentation）的最后一步，是连接模糊照片与可靠诊断之间的关键桥梁。如果没有它，计算机就无法计数细胞，也无法判断寄生虫是否躲藏在其中。

一项新的系统性综述汇集了五十项经过验证的研究，旨在考察这些计算机系统的表现究竟如何，并特别关注它们是否能在最需要它们的实地环境中工作。研究人员来自姆巴拉拉科学技术大学（Mbarara University of Science and Technology），他们分析了广泛的方法，从较旧、较简单的方法到现代、复杂的人工智能。他们发现，虽然强大的新工具已经存在，但通往远程诊所可靠、便携式设备的道路仍在铺设之中。该综述证实，计算机现在可以高精度地分离单个血细胞并检测寄生虫，但也强调了这些系统在光照变化、载玻片染色不均或细胞重叠成乱团时往往会遇到困难。最有前景的结果来自于结合了不同技术的系统，然而作者提醒说，许多研究依赖于完美的、经过精心处理的图像，而非实地医院中混乱的现实情况。

该综述区分了用于在细胞周围画线的两种主要技术类型。第一类依赖于经典方法，其运作方式类似于遵循一套简单的规则。这些技术通过寻找颜色或亮度的差异来将细胞从背景中分离出来。它们速度快，对计算能力要求极低，并且可以在简单、廉价的硬件上运行。然而，作者指出这些方法非常脆弱；如果血液染色稍微过深，或者显微镜的光照不均匀，计算机可能会完全看不见细胞。第二类使用深度学习，这是一种通过学习数千个示例来识别模式的人工智能形式。这些系统通常基于类似 U-Net 的架构构建，在处理困难情况（如相互接触或重叠的细胞，或质量参差不齐的图像）方面表现得更好。即使在图像不完美的情况下，它们也能学习到镰状细胞的细微形状或微小的寄生虫斑点。然而，这些强大的系统需要更多的计算能力和大量的标注数据来进行训练，这在资源有限的环境中可能成为障碍。

在专门针对疟疾的研究时，研究显示出从简单计数到复杂检测的清晰演进过程。早期工作侧重于利用颜色和形状将受感染的红细胞从健康的红细胞中分离出来。较新的系统则利用深度学习，不仅能找到细胞，还能识别其中寄生虫的具体阶段。一个著名的研究——RBCNet，结合了一个将细胞分组的深度学习模型和一个精细化定位每个细胞位置的检测系统，成功分析了来自数百名患者的近20万个细胞。另一个系统使用了手机显微镜来检测寄生虫，证明了高端实验室设备并非严格必要。然而，综述指出，这些成功案例中的许多都是在实验室精心准备的数据集上取得的，这引发了人们对它们在照明和染色用品不同的偏远村庄由技术员准备的载玻片上的表现如何的质疑。

对于镰状细胞病，挑战略有不同。诊断取决于识别出独特的、僵硬的镰状细胞形状，这些细胞经常与健康的圆形细胞纠缠在一起。在这里，分离重叠细胞的能力是最关键的因素。该综述强调了一个特别成功的实地部署案例：一个智能手机显微镜系统在不到七秒的时间内处理了患者的血涂片。通过使用深度学习模型将图像分割为健康细胞、镰状细胞和背景，该系统在盲测中达到了约98%的准确率。这一结果表明，通过合适的图像增强和分割技术，便携式设备可以在传统实验室之外提供快速、可靠的筛查。

尽管取得了这些令人鼓舞的进展，作者仍指出了阻碍这些技术成为流行地区标准工具的显著差距。最大的障碍是缺乏标准化的数据。许多研究使用的数据集规模较小，无法代表现实世界中看到的各种血液样本，而且很少有系统是在不同医院或使用不同类型的显微镜下进行测试的。此外，这些系统的实际需求也缺乏透明度。许多论文报告了高准确率，却未能提及分析所需的时间、软件所需的内存量或其消耗的电池电量。对于实地诊所而言，设备必须能够离线工作，依靠简单的电池运行，并能快速提供结果，以便医生能够实时做出决策。

综述总结道，血涂片分析的未来在于平衡性能与实用性的混合系统。虽然深度学习在应对复杂的细胞形状和重叠群体方面具有卓越的适应性，但经典方法在速度和低成本方面仍具有价值。根据作者的观点，最有前途的路径是开发出对染色和光照变化具有鲁棒性、在多个地点通过真实患者数据进行验证，并设计用于在便携式、低成本硬件上运行的系统。直到这些系统能够像处理受控环境下的情况一样处理实地环境中的不可预测性时，实现疟疾和镰状细胞病全自动化、普及化诊断的承诺才算真正触手可及。技术已经准备好了，但通往诊所的桥梁需要的不仅仅是准确性，还需要韧性、简洁性，以及对这些工具实际将被使用的环境的深刻理解。