《Leukemia》：Artificial intelligence-enhancement of flow cytometry data accelerates the identification of measurable residual chronic lymphocytic leukemia
编辑推荐：
流式细胞术（Flow Cytometry, FC）是检测慢性淋巴细胞白血病（Chronic Lymphocytic Leukemia, CLL）可测量残留病（Measurable Residual Disease, MRD）的核心手段，但其应用受限于人工分析所
流式细胞术（Flow Cytometry, FC）是检测慢性淋巴细胞白血病（Chronic Lymphocytic Leukemia, CLL）可测量残留病（Measurable Residual Disease, MRD）的核心手段，但其应用受限于人工分析所需的高专业门槛与时间成本。研究人员开发了名为“聚类/分类所有事件、降维、下采样与异常缩放”（Clustering/Classification of All Events, Dimensionality reduction, Downsampling, and Aberrancy Scaling, CCADDAS）的人工智能（Artificial Intelligence, AI）流程，可自动增强原始FC文件，仅需单管10色抗体组合即可简化CLL MRD检测。该流程在云环境中处理了166例MRD阳性与61例MRD阴性病例的FC文件，自动化步骤涵盖错误校正（FlowCut）、聚类（PARC）、降维（UMAP）、针对阴性对照的异常检测，以及保留罕见MRD事件的聚类引导下采样。基于专家定义的正常亚群训练的深度神经网络实现了自动化设门。AI增强文件在标准FC软件中分析结果与传统专家判读高度一致（R2=0.98）。下采样使细胞总数减少85%、文件体积缩小78%，同时保留了低水平MRD事件。AI生成的异常评分可有效区分CLL MRD与背景B细胞，性能优异（AUC=0.98）。人工分析时间从每例9.0分钟缩短至0.9分钟（降低90%）。CCADDAS是一种基本无监督、软件无关的方法，在不影响检测性能的前提下加速并简化了CLL MRD检测，有望推动FC-based MRD检测的广泛应用。
该研究发表于《Leukemia》，聚焦于解决流式细胞术（FC）检测慢性淋巴细胞白血病（CLL）可测量残留病（MRD）的临床痛点。当前CLL治疗已进入靶向时代，MRD状态是独立的预后因子及停药决策依据，但传统FC-MRD依赖人工设门，耗时耗力且仅局限于大型中心。研究人员开发的CCADDAS人工智能流程，通过云端处理227例训练队列与192例验证队列的样本，实现了从原始数据到可直接分析的轻量化文件的转化。结果显示，AI辅助分析与常规结果相关性极高（R2=0.98），且将单样本分析时间从9分钟压缩至0.9分钟，同时文件体积缩减78%。这一技术突破了传统FC-MRD对专家经验和高性能硬件的依赖，为基层医疗机构普及高精度MRD监测提供了可行路径。
在技术方法上，研究人员构建了包含29例阴性对照（骨髓与外周血）的训练集，采用单管10色CLL MRD panel（检测下限0.002%，即2×10-5）。核心技术依托CCADDAS流程：利用FlowCut去除采集误差，PARC算法进行细胞聚类，UMAP进行降维可视化，并通过基于阴性对照的异常检测生成“异常评分（Aberrancy Scale）”。深度神经网络（DNN）基于13种预设细胞类型进行训练以实现自动设门。研究分为训练队列（2023-2024年，227例）与独立验证队列（2025年，192例），统计方法采用Mann-Whitney检验、t检验及ROC曲线分析。
研究结果如下：
Cluster-informed downsampling preserves MRD events
聚类引导下采样策略使平均每例事件数从110万降至165010（减少85%），文件体积从62.1 MB降至15.2 MB（减少78%）。在低水平（≤0.1%）MRD样本中，恶性细胞多位于小于5000事件的微小簇中未被下采样，实际检测到的MRD比例平均提升至原始文件的5.4倍，极大便利了肉眼识别。在推荐灵敏度阈值（≥0.01%）以上，AI分析与常规分析阳性符合率达100%；低于该阈值时为81%，阴性符合率始终保持100%。
AI automatically gates normal hematopoietic subsets
基于DNN的细胞分类器表现出稳健性能（宏平均F1分数=0.93），可完全自动化识别并标记正常造血亚群（如B细胞、T细胞、粒细胞等）。这一功能消除了传统分析中繁琐的正常细胞设门步骤，使分析人员可直接聚焦于B谱系细胞的异常评估。
A quantitative measure of aberrancy simplifies MRD detection
“异常评分”参数整合了所有检测抗原的信息，能有效量化细胞群体相对于阴性对照的偏离程度。研究队列中94.5%的MRD子集通过该评分结合CD19散点图即可快速识别。统计学分析显示，MRD子集的异常评分（均值±2SD：969±144）显著高于背景B细胞（395±401，P<0.0001），其区分MRD与良性细胞的性能（AUC=0.98）远超任何单一抗原荧光强度。
Optimal performance of AI-assisted MRD analysis
结合“上采样因子（Upsampling Factor）”校正后，AI辅助分析的MRD定量结果与常规分析呈极强线性相关（训练队列斜率=0.9832，R2=0.98；验证队列斜率=0.9861，R2=0.9975）。合并两个队列共419例样本，在≥0.01%阈值下阳性符合率为100%，<0.01%阈值为84%，阴性符合率为100%。两名一线技术人员操作验证显示，AI辅助下单样本平均分析时间仅为0.87分钟，相比传统分析的8.97分钟缩短了90%。
在讨论与结论部分，研究人员指出CCADDAS流程仅利用29例阴性对照即完成训练，无需阳性样本，具备极强的泛化潜力。相较于既往依赖特定免疫表型或大量阳性训练数据的机器学习模型，该流程采用的“偏离正常”策略能更好地应对CLL的免疫表型异质性（如无CD5表达、CD20高表达等）。尽管在处理极低水平（<0.01%）MRD时存在少量漏检，且目前仍需人工最终确认，但该技术显著降低了FC-MRD的操作门槛与成本。研究人员认为，CCADDAS作为一种软件无关的解决方案，不仅适用于不同抗体的CLL MRD panel，未来还可扩展至其他血液肿瘤及不同流式平台的MRD检测，具有广泛的临床应用前景。
