
Подсчет лейкоцитарной формулы при помощи машинного обучения с использованием смартфона
Резюме
ВВЕДЕНИЕ
Подсчет лейкоцитарной формулы является одним из важнейших исследований, проводимых клинико-диагностическими лабораториями, которое может быть автоматизировано при помощи систем на основе искусственного интеллекта.
ЦЕЛЬ ИССЛЕДОВАНИЯ
Провести сравнительный анализ точности подсчета лейкоцитарной формулы, полученной с использованием устройства Celly на основе смартфона и ручным методом.
МАТЕРИАЛ И МЕТОДЫ
В ходе исследования проанализированы 113 образцов крови. Для оценки корреляции подсчета лейкоцитарной формулы между устройством и врачом-экспертом использовался квадрат коэффициента Пирсона r2.
РЕЗУЛЬТАТЫ И ЗАКЛЮЧЕНИЕ
Исследование продемонстрировало высокую точность подсчета лейкоцитарной формулы с помощью Celly. С практической точки зрения данный метод может широко применяться в лабораториях для автоматизации ручного анализа.
Ключевые слова
- лейкоцитарная формула
- компьютерное зрение
- смартфон
- искусственный интеллект
Дата поступления: 01.02.2022
Дата принятия в печать: 27.04.2022
Дата публикации: 01.06.2022
Ручная микроскопия мазков крови является трудоемким и затратным по времени процессом [1—4]. Кроме того, качество подсчета лейкоцитарной формулы зависит от квалификации врача, а результат субъективен [5]. Автоматизированные системы по анализу мазков крови существуют [1—4], но из-за высокой стоимости их проникновение в лабораторную практику крайне мало. В связи с этим существует острая необходимость в недорогих устройствах по автоматическому анализу мазков крови. Одним из таких устройств является Celly, система на основе смартфона, подключающаяся к микроскопу и позволяющая автоматически проводить подсчет лейкоцитарной формулы.
Цель данного исследования — оценка точности подсчета лейкоцитарной формулы при помощи устройства Celly по сравнению с ручным методом.
Устройство Celly
Система Celly состоит из iPhone XR, адаптера для подключения к микроскопу [6], мобильного приложения и веб-портала [7].
Приложение анализирует поля зрения микропрепарата следующим образом: изображение обрезается на 20% по краям для удаления темных областей, далее детекционная нейросеть на основе MobileNet Single Shot Detector (MobileNetSSD) определяет расположение лейкоцитов, после этого изображения клеток передаются на веб-портал, где классификационная сверточная нейронная сеть (CNN) распределяет клетки по классам. Для тренировки нейросетей использовалось более 200 тыс. клеток крови с аугментацией по геометрии (повороты, зеркалирование) и цвету (яркость, контраст), что позволило получить нейросети, устойчивые к вариациям формы клеток и их степени окраски. На финальном этапе врач проводит валидацию клеток на веб-портале, проверяя корректность классификации.
Дизайн исследования и статистический анализ
Сравнительное исследование проводилось на базе клинико-диагностической лаборатории «ДиаЛаб». Были проанализированы 113 образцов периферической крови, отобранные геманализатором Sysmex XN-2000 5diff для дополнительного морфологического исследования. Образцы анализировались при 100x иммерсионном увеличении врачом лабораторной диагностики (более 5 лет опыта работы) и устройством Celly (рисунок на цв. вклейке). Подсчитывалось по 100 лейкоцитов в каждом образце, рассчитывалось процентное соотношение клеток в мазках и оценивалось сходство результатов между автоматизированным анализом Celly и ручным подсчетом при помощи квадрата коэффициента Пирсона r2. Результаты сравнивались с литературными данными.

Принцип работы Celly.
а — система сканирует микропрепарат; б — мобильное приложение определяет и подсчитывает клетки; в — врач подтверждает результат на портале.
Результаты и обсуждение
В таблице приведены значения r2 при сравнении подсчета лейкоцитарной формулы устройством Celly и врачом КЛД. Результаты, полученные с использованием Celly, показывают высокую корреляцию с ручным подсчетом для всех клеток за исключением базофилов. В таблице также приведены данные о корреляции результатов подсчета лейкоцитарной формулы, выполненного 73 специалистами из 5 лабораторий [5]. Сравнение полученных данных с литературными позволяет заключить, что определение типа клеток устройством Celly по всем видам клеток за исключением базофилов как минимум сопоставимо с использованием ручного подсчета. Из-за малого числа базофилов (0,4% от общего числа клеток в мазках [9]) погрешность при определении данного класса оказалась выше, чем для других типов лейкоцитов. Более точный результат по базофилам возможен при большем количестве исследуемых образцов. Кроме этого, в исследуемую выборку попало 2 пациента с бластными клетками. Важно, что устройство Celly также отметило в этих образцах наличие бластных клеток.
Корреляция подсчета лейкоцитарной формулы при помощи Celly и ручного метода. Celly—Человек: корреляция результатов Celly и ручного подсчета, Человек—Человек: корреляция подсчета лейкоцитарной формулы между 73 врачами на основании данных исследования Koepke и др. [5]
Тип лейкоцитов | Celly — Человек | Человек — Человек |
Нейтрофилы | 0,88 | 0,87 |
Лимфоциты | 0,83 | 0,73 |
Моноциты | 0,46 | 0,41 |
Эозинофилы | 0,86 | 0,83 |
Базофилы | 0,09 | 0,32 |
Бласты | 0,85 | — |
Заключение
Разработки в области применения систем компьютерного зрения для анализа образцов крови играют важную роль в автоматизации рутинных процессов микроскопии и получении результатов с высокой точностью и надежностью. Проведенное исследование продемонстрировало достаточно высокую точность подсчета лейкоцитарной формулы с использованием автоматизированного подхода Celly по сравнению с ручным методом. Низкая стоимость решения позволит внедрять автоматизацию в лаборатории с ограниченным бюджетом.
Авторы заявляют об отсутствии конфликта интересов.
- Alcaide Martín, María José, Altimira Queral, Laura, Sahuquillo Frías, Laura, Valiña Amado, Laura, Merino, Anna and García de Guadiana-Romualdo, Luis. «Automated cell count in body fluids: a review» Advances in Laboratory Medicine. Avances en Medicina de Laboratorio. 2021;2:2:149-161. https://doi.org/10.1515/almed-2021-0011
- Blumenreich MS. The White Blood Cell and Differential Count. In: Walker H.K., Hall W.D., Hurst J.W., editors. Clinical Methods: The History, Physical, and Laboratory Examinations. 3rd edition. Boston: Butterworths; 1990. Chapter 153. https://www.ncbi.nlm.nih.gov/books/NBK261/
- Chernecky CC, Berger BJ. Differential leukocyte count (diff) — peripheral blood. In: Chernecky C.C., Berger B.J., eds. Laboratory Tests and Diagnostic Procedures. 6th ed. St Louis, MO: Elsevier Saunders; 2013.
- Lee LH, Mansoor A, Wood B, Nelson H, Higa D, Naugler C. Performance of CellaVision DM96 in leukocyte classification. J Pathol Inform. 2013;4:14. Published 2013 Jun 29. https://doi.org/10.4103/2153-3539.114205
- Koepke JA, Dotson MA, Shifman MA. A critical evaluation of the manual/visual differential leukocyte counting method. Blood Cells. 1985;11(2):173-186. PMID: 3834960.
- Документация к Celly.AI.
- Адаптер для микроскопа.
- Коэффициент детерминации r2 Википедия. Accessed April 26, 2022.
- Prinyakupt J, Pluempitiwiriyawej C. Segmentation of white blood cells and comparison of cell morphology by linear and naïve Bayes classifiers. BioMed Eng OnLine. 2015;14:63. https://doi.org/10.1186/s12938-015-0037-1
Рекомендуем статьи по данной теме:
Как искусственный интеллект меняет повседневную работу врача-терапевта? Обзор мирового и российского опыта.Медицинские технологии. Оценка и выбор. 2026;48(3):46-52
Возможности и ограничения искусственного интеллекта во флебологии: результаты систематического обзора литературы с метаанализом.Флебология. 2026;20(3):220-248
Диагностическая точность искусственного интеллекта в выявлении кариеса на интраоральных рентгенограммах: систематический обзор и метаанализ.Российская стоматология. 2026;19(3):45-52
Разработка методологических подходов к использованию машинного обучения в системе диспансерного наблюдения пациентов, перенесших инфаркт миокарда.Профилактическая медицина. 2026;29(8):106-112
Технологии искусственного интеллекта в сфере охраны репродуктивного здоровья в России и зарубежных странах: этические и правовые возможности.Профилактическая медицина. 2026;29(8):22-29
Современные возможности диагностики голосовых расстройств с помощью компьютерного акустического анализа голоса и искусственного интеллекта. Обзор литературы.Вестник оториноларингологии. 2026;91(4):109-116
Облачная система автоматической диагностики дисфонии по акустическим параметрам с использованием моделей искусственного интеллекта.Вестник оториноларингологии. 2026;91(4):78-80
Электронная аускультация легких в пульмонологии: от клинического навыка к цифровой диагностике.Респираторная медицина. 2026;2(2):47-55
Искусственный интеллект в респираторной медицине.Респираторная медицина. 2026;2(2):21-29
Онкоскрининг и раннее выявление рака слизистой оболочки рта методом анализа фотоизображений с применением нейросетей.Российская стоматология. 2026;19(2):12-16


