编辑推荐：
AI辅助诊断技术在HSV Western blot检测中的应用研究。创新性提出两阶段AI工具BlotDx，通过实例分割识别条带再经分类模型判断HSV-1/HSV-2感染状态，在926例原始数据集和185例验证数据集上均达到超过97%的准确率，显著提升传统检测效率并减少人为误差。
卢卡斯·刘（Lucas Liu）| 萨拉斯瓦蒂·萨蒂斯（Saraswathi Sathees）| 阿妮埃拉·索贝尔（Aniela Sobel）| 格雷戈里·佩珀（Gregory Pepper）| 亚历山大·L·格林纳格（Alexander L. Greninger）| 基思·R·杰罗姆（Keith R. Jerome）| 方友义（Youyi Fong）| 帕维特拉·罗伊乔杜里（Pavitra Roychoudhury）
弗雷德·哈钦森癌症中心（Fred Hutchinson Cancer Center）公共卫生科学部门（Public Health Sciences Division）
摘要
背景
Western blot（WB）是检测单纯疱疹病毒（HSV-1/HSV-2）血清学的金标准，但需要经过培训的实验室人员进行手动解读，这一过程既耗时又存在一定的主观性。本研究介绍了BlotDx这一深度学习工具，旨在辅助HSV WB的解读，以提高效率和诊断的一致性。
方法
BlotDx采用两阶段方法：（1）通过实例分割或对象检测从输入图像中识别印迹（blots）；（2）使用分类模型确定HSV-1和HSV-2的血清状态，排除不确定的结果。我们开发了三种不同的分类器，它们在信息处理流程上有所不同。主要数据集包含926对印迹，这些印迹来自2016-2017年间收集的样本，并于2018年拍摄；第二个机构验证数据集包含185对印迹，这些印迹来自2019-2024年间收集的样本，并于2025年在另一个实验室拍摄。
结果
通过与三位独立技术人员的专家评审结果进行5折交叉验证，BlotDx在主要数据集（HSV-1的准确率为98.8%，95%置信区间为97.9%-99.3%；HSV-2的准确率为98.9%，95%置信区间为98.0%-99.4%）以及机构验证数据集（HSV-1的准确率为97.3%，95%置信区间为93.8%-98.8%；HSV-2的准确率为96.2%，95%置信区间为92.4%-98.1%）中均表现出较高的诊断准确性。
结论
本研究展示了人工智能作为基于图像的检测方法（如HSV Western blot）的辅助工具的实用性，其应用潜力也扩展到其他疾病领域。所提出的两阶段方法结合现代深度学习技术，具有可扩展性，有助于通过降低成本和提高效率来变革传统的诊断工作流程。
章节摘录
引言
深度学习和人工智能（AI），尤其是卷积神经网络（CNN），彻底改变了图像分析领域，为自动化劳动密集型任务和标准化结果提供了解决方案，从而提高了准确性和效率（LeCun等人，2015年）。CNN目前广泛应用于放射学和病理学（Esteva等人，2021年），但在涉及图像解读的其他实验室诊断领域，深度学习的应用仍相对较少。Western blot（WB）
HSV WB图像和临床检测结果
本研究的数据是通过使用标准数码相机拍摄Western blot印迹获得的。这些印迹是根据补充方法中描述的临床验证方案制备的。每对印迹对应于一名患者血清样本的HSV-1和HSV-2血清学检测结果。印迹被粘贴在标有位置的白纸上，下方标注了每个患者样本的放置位置（每张纸最多可贴24对印迹），并在印迹下方添加了文本标签。
研究中使用的主要数据集和次要（机构验证）数据集
本研究的主要数据集包含926对印迹的图像（分为训练集、验证集和测试集，分别为315对、57对和554对），这些样本采集于2016年8月至2017年2月期间，并于2018年在华盛顿州西雅图的UW病毒学实验室拍摄。此外，为了训练实例分割模型，还包含了1至5张吸附实验的图像，这些图像上贴有6个印迹（见补充图S1）。在926对印迹中
讨论
本研究介绍了一种基于深度学习的计算机视觉AI工具（BlotDx），用于分析诊断性Western blot结果。虽然AI方法已应用于其他领域，如抄袭检测和乳腺癌检测（Gosselin，2025年；Llaguno-Roque等人，2023年），但据我们所知，BlotDx是首个将计算机视觉模型应用于临床实验室血清学诊断的工具。BlotDx能够从多例患者的图像中准确识别所有印迹，并在HSV-1的检测中实现了高准确率。
作者贡献声明
卢卡斯·刘（Lucas Liu）：撰写内容、审稿与编辑、数据可视化、方法论设计、数据分析。阿妮埃拉·索贝尔（Aniela Sobel）：撰写内容、审稿与编辑、数据管理。萨拉斯瓦蒂·萨蒂斯（Saraswathi Sathees）：撰写内容、审稿与编辑、方法论设计、数据管理。亚历山大·L·格林纳格（Alexander L. Greninger）：撰写内容、审稿与编辑、项目监督、资源协调、方法论设计、实验设计。格雷戈里·佩珀（Gregory Pepper）：撰写内容、审稿与编辑、项目监督、方法论设计、数据管理。方友义（Youyi Fong）：撰写内容、审稿与编辑、初稿撰写、数据可视化。
利益冲突声明
作者声明以下可能构成潜在利益冲突的财务利益和个人关系：帕维特拉·罗伊乔杜里（Pavitra Roychoudhury）在所描述的工作之外，与AiCuris Anti-Infective Cures GmbH签订了合同；亚历山大·格林纳格（Alexander Greninger）在所描述的工作之外，还接受了来自Abbott、Cepheid、Novavax、Pfizer、Janssen和Hologic公司的合同测试项目，并获得了Gilead的研究支持。其他作者均声明没有已知的利益冲突。
