人工智能辅助染色体核型分析技术在产前诊断中的应用研究

郭彩琴，王峻峰，杨岚，石锦平，唐叶，赵頔，吴晓

214002 江苏省无锡市妇幼保健院 江南大学附属妇产医院医学遗传与产前诊断科

我国的出生缺陷率约为5.6%，染色体异常是导致出生缺陷的常见原因之一［1］。由于暂无有效的根治方法，产前诊断发现染色体异常必要时进行干预是出生缺陷防控最有效的手段。核型分析目前仍是诊断染色体异常的重要方法［2］，但传统的核型分析主要依靠人工，费时费力。即便是现在广泛使用的染色体核型自动分析系统，分割聚簇的染色体并进行分类的效果仍不理想，容易误报并增加系统的错误率。

近年来，人工智能（artificial intelligence，AI）已逐渐用于病理、影像、检验等医学诊断领域［3-5］，结果较令人满意。AI采用卷积神经网络（convolutional neural networks，CNN）图像识别技术，通过学习大量已标注的形态学数据，训练出智能诊断AI算法模型，从而实时、快速地对样本进行形态学分析［6］。但在染色体核型分析领域，AI技术的应用目前尚处于起步阶段，相关的研究结果较少。

本研究应用湖南自兴智慧医疗科技有限公司开发的自兴染色体核型智能分析系统（自兴核型宝），对1 000例产前羊水样本进行染色体自动识别与分析，再与长期从事染色体形态学诊断的细胞遗传学医师分析结果相对比，旨在探讨AI辅助染色体核型分析技术在产前诊断中的应用价值。

1 资料与方法

1.1 研究对象

选取2020—2022年在无锡市妇幼保健院医学遗传与产前诊断科接受介入性产前诊断、行羊水染色体核型分析的1 000例孕妇，年龄21～43岁，均为单胎妊娠，夫妻双方表型均正常，无近亲婚配及遗传病家族史。所有相关检查经孕妇及家属知情同意，本研究经无锡市妇幼保健院医学伦理委员会审查批准（2023-06-0721-33）。

1.2 羊水染色体制备

超声引导下行羊膜腔穿刺术，抽取孕妇羊水20 mL，立即送检。常规羊水细胞培养、收获后低渗、固定、滴片、G显带和Giemsa染色。

1.3 染色体核型分析

1.3.1 图片扫描：将染色后的载玻片编号并按序放入染色体显微图像扫描分析系统（ZEISS MetaSystems Ikaros）的玻片架上，Metafer扫描软件中录入对应的样本编号，机械臂自动抓取单架玻片后传送至显微镜的载物台，在10×物镜下进行全片扫描与分裂相定位，然后自动滴油，并切换至63×油镜采集模式，通过自动聚焦获得清晰的单个染色体分裂相图像并上传至阅片系统电脑终端。

1.3.2 阅片方法：采用双线法对所有样本进行染色体核型分析。每份样本双线各自计数≥20个分裂相，分析≥5个分裂相；嵌合体计数≥50个分裂相，分析≥20个分裂相。（1）一线AI阅片法由1名≥10年经验的细胞遗传医师应用自兴核型宝辅助诊断。将1 000例羊水样本的染色体原始图像资料导入自兴核型宝，该智能分析系统基于约1 000万染色体图像数据库的训练，数据库数据来自全国多家大型三级甲等医院，软件能自动抓取扫描系统采集的染色体原始图像，按质量优劣顺序排列，点击原始分裂相后一键式自动去噪、增强、分割和识别、排序并分析，呈现分析后按染色体序号排列的图形并自动计数诊断，分析、计数的分裂相数量以及诊断结果自动显示于软件左侧栏（图1）。记录自兴核型宝的诊断结果及所需时间，再由细胞遗传学医师进行人工审核，记录审核后的诊断结果及所需时间。（2）二线由另1名≥10年经验的细胞遗传医师应用Ikaros系统阅片。所有羊水样本的染色体原始图像资料导入Ikaros系统后，软件根据图像质量优劣自动按序排列，遗传医师手动点击原始分裂相去噪、增强后，人工分割重叠、粘连并排序，手工输入每个分裂相的诊断结果，计数后记录每例样本的核型结果以及核型分析所需时间。样本的最终诊断结果以一线的人工审核和二线的人工阅片结果为准，双线诊断结果不一致时以3名≥20年经验的细胞遗传医师显微镜下阅片结果为准。

1.4 统计学分析

采用SPSS 27.0软件对数据进行统计分析。符合正态分布的计量资料以（±s）表示，多组间比较采用方差分析，组间两两比较采用LSD-t检验；计数资料以相对数表示；诊断一致性分析采用Kappa检验，以Kappa值≥0.40为一致性较好，0.41～0.60为中等一致性，0.61～0.80为较强一致性，0.81～1.00为强一致性。以P＜0.05为差异有统计学意义。

2 结果

2.1 3种阅片方式诊断结果

1 000例羊水样本中，AI诊断正常核型735例、非整倍体233例、结构异常0例、嵌合体32例；AI辅助遗传医师诊断正常核型689例，非整倍体233例、结构异常45例、嵌合体33例；遗传医师应用Ikaros系统诊断正常核型689例，非整倍体233例、结构异常45例、嵌合体33例（表1）。AI辅助遗传医师的诊断结果与遗传医师应用Ikaros系统的诊断结果完全一致。

表1 3种阅片方式染色体核型分析的诊断结果比对（例）Table 1 Comparison of diagnostic results of karyotype analysis by three reading methods

2.2 AI组与医师组诊断方式比较

由于2名遗传医师应用AI和Ikaros系统的诊断结果完全一致，因此均可作为本研究中羊水染色体核型诊断的“金标准”。与AI辅助遗传医师相比，AI组诊断具有强一致性（Kappa值=0.895，95%CI=0.866～0.924，P＜0.01）。AI组准确率为95.4%，灵敏度为95.4%，阳性预测值为100%。其中，核型正常、非整倍体、嵌合体、结构异常的灵敏度分别为100.0%、100.0%、97.0%、0；阳性预测值分别为100.0%、100.0%、100.0%、0（表2）。

表2 AI组与AI辅助遗传医师组诊断一致性分析（例）Table 2 Diagnostic concordance between AI-based and AI-assisted geneticist group

2.3 不同阅片方式的工作效率

1 000例羊水的染色体核型分析中，每例样本AI自动阅片的平均诊断耗时为（3.15±0.45）min，AI阅片后医师审核即AI辅助遗传医师平均所需的诊断时间为（4.44±0.64）min，而遗传医师应用Ikaros系统阅片的平均诊断耗时则为（32.28±3.93）min。AI组、AI辅助遗传医师组以及遗传医师应用Ikaros系统阅片组的诊断平均用时比较，差异有统计学意义（F=50 740.97，P＜0.001）；其中，AI组诊断平均用时少于AI辅助遗传医师组和遗传医师应用Ikaros系统阅片组，AI辅助遗传医师组平均诊断用时也少于遗传医师应用Ikaros系统阅片组，差异有统计学意义（P＜0.001）。

3 讨论

核型分析迄今仍是产前诊断染色体异常的重要方法，但由于羊水细胞培养周期长，从细胞接种、收获到显带制备、镜下阅片均需人工完成，过程烦琐，因而检测周期长达30 d。随着半自动、全自动核型分析工作站（如ZEISS MetaSystems Ikaros系统）的应用，自动扫描获得中期染色体图像并按质量初步排列、人工操作下初步识别染色体的功能得以逐步实现，核型分析的效率也大幅提高。然而，此类工作站的自动化性能主要集中于核型图像的拍摄与筛选；核型分析过程中，染色体重叠、粘连的分割主要还依赖人工，配对、排列的准确率也较低，需要人工调整［7］，并未做到真正的“全自动”。因此，工作站使用后产前染色体核型分析的报告周期仍需25 d左右。

由于染色体常呈现出复杂的形态，如边缘粘连、重叠、扭曲等，会给染色体的正确分割造成很大干扰［8］，不成熟的分割又会导致后续分类准确率降低，因此“分割和分类”是染色体识别的两大难点［9-10］，也是核型分析中耗费时间、精力的重要因素。近年来，随着深度学习在医学领域的广泛应用，使用深度学习的方法对染色体进行分割分类从而实现核型分析的自动化已成为研究者们关注的热点。2017年，HU等［11］首次用“分割网络”来解决重叠染色体的分割问题。2019年，HU等［12］将CNN算法应用到染色体核型分析中：把91个中期分裂相图中的染色体基于边缘轮廓进行切割，取其中4 184个未折叠的单个染色体图用CNN进行识别，分类准确率达93.79%。同年，XIE等［13］应用多输入CNN与几何优化相结合的技术对染色体进行自动分割和分类，并构建了一套完整的自动化分析流，显著提高了粘连、重叠等情形下染色体识别的准确度。由此可见，CNN在染色体分割和分类中性能均良好，这为智能化核型分析系统的构建提供了新思路。本研究中，自兴染色体核型智能分析系统应用CNN模型深度挖掘粘连、重叠染色体的信息，可以实现重叠区的正确分割［14］；并能推理染色体轮廓的分割及类型的识别，使分割与识别任务相互学习；此外，还能将染色体感兴趣区域间的重叠度作为邻接矩阵，构造一个基于染色体的图网络，使单条染色体的分割识别不孤立，模型的泛化性强。最终，通过U型染色体切割网络和染色体类型识别残差网络，完成染色体的自动分割和分类，实现了自动化分析过程。

本研究中，应用自兴核型宝的AI系统对1 000例产前羊水进行染色体核型分析后发现，相比于细胞遗传医师人工诊断的金标准，AI系统自动分析仅46例诊断错误，准确率与灵敏度均为95.4%，阳性预测值达100.0%。其中，689例医师组诊断为正常核型的羊水，AI全部判断正确，灵敏度、阳性预测值达100.0%，表明AI具有优良的分割、分类且识别正常染色体的能力。非整倍体是产前诊断最常见的染色体异常类型，也是造成出生缺陷的主要遗传学病因之一［15］。本研究中AI阅片共诊断羊水非整倍体233例，包括21三体、18三体、13三体、X单体等，灵敏度和阳性预测值也均为100%，表明AI系统对非整倍体有很强的诊断优势。由于产前样本嵌合体常规要求计数≥50个分裂相［16］，因此嵌合体常是羊水染色体核型诊断中最费时费力的类型之一。与人工分析不同，AI系统的一键式自动去噪、分割分类的功能极大程度减轻了遗传医师手动分割粘连、重叠并计数≥50个分裂相耗费的人力及时间。本研究33例嵌合体中，AI仅漏诊1例，灵敏度达97.0%；但诊断平均用时明显低于AI辅助遗传医师和Ikaros辅助遗传医师阅片。AI对正常核型、非整倍体、嵌合体的诊断均展示了良好的性能，但在易位、倒位、缺失、重复等核型的诊断中，AI系统的辨识力则较差。本研究中，45例结构异常的染色体AI系统均未能正确识别而误判为正常核型；此外，1例漏诊的21三体嵌合体［46,XN,t（21;21）/46,XN］也是因21号染色体同源易位形成的结构异常与正常核型嵌合，但被AI系统漏诊才误判为正常核型。因此，46例误诊的病例均是由AI系统对染色体结构异常的辨别力较弱所致，即使是最简单、常见的罗伯逊易位［如46,XN,t（21;21）］目前也无法被AI系统正确识别并诊断。但经遗传医师人工审核后，46例AI误诊的核型结果均得以纠正。

本研究中，1 000例羊水核型先由AI初诊、再由人工审核的AI辅助遗传医师阅片模式，其诊断结果与遗传医师应用染色体显微图像扫描分析系统（Ikaros辅助遗传医师）的阅片模式完全相同。但Ikaros辅助阅片中，每个分裂相染色体的分割、分类、排列以及初诊结果的输入仍需遗传医师耗费不少时间手动完成。而AI系统能一键式将染色体自动分割并分类，节约了大量人工去噪、分割粘连交叉染色体的时间，遗传医师仅需核对AI自动分类的结果，重点关注每条染色体的结构，因此AI辅助遗传医师分析1例染色体核型的平均时间仅需4.5 min左右，不到Ikaros辅助遗传医师阅片的1/7。尽管单纯AI阅片耗时更短仅需约3 min/例，但由于对染色体结构异常的判读力较弱存在一定程度的漏诊，因此人工审核环节非常必要，AI初诊后遗传医师复审也是目前最理想的产前羊水染色体核型分析模式。相比于遗传医师应用Ikaros软件的半自动阅片模式，运用近全自动的AI辅助遗传医师诊断模式后，产前羊水染色体核型的报告周期可缩短至18～20 d，既保证了诊断质量又能减少检测周期。染色体核型分析是一项需长期积累经验的工作，培养一名专业的遗传诊断医师至少需要3～5年时间，AI的应用实现了染色体分割分类的自动化，既减少了遗传医师不必要的重复劳动时间，又可同步提高诊断效率与诊断水平缩短培养周期。

尽管在AI辅助诊断领域，系统的假阴性陷阱会一直存在［17］，但最大限度地降低假阴性率则是根本目标。本研究中，AI产前诊断羊水核型的假阴性主要源于AI对染色体结构异常的识别力较差。一方面，后续有必要积累更多的数据库训练数据、优化算法提高AI系统对易位、插入、缺失、重复等染色体结构异常的识别能力；另一方面，遗传医师的审核作用不可或缺。需要牢记“AI不可取代专业遗传医师诊断，只能协助诊断”的原则，使AI合理地应用于医学领域，才能达到既解放人力又提高诊断性能的效果［18-20］。

综上所述，本研究对AI系统在产前染色体核型诊断中的应用进行了初步分析研究。相比于常用的核型分析工作站（如Ikaros系统等），AI突破了染色体“分割、分类”的技术瓶颈，一键式完成了去噪、分割、排列的全过程。AI染色体核型辅助诊断系统具有自动化程度高、快速、高灵敏度、高准确度、强泛化性的特点，但对染色体结构异常的识别能力有待提高。运用“AI+人工”的AI辅助细胞遗传医师阅片模式，既能有效规避漏诊、误诊的风险又能显著提高工作效率，在保证产前染色体核型诊断质量的前提下能极大减轻遗传医师的工作负担，具有广阔的出生缺陷二级防控应用前景。

作者贡献：郭彩琴负责文章的构思设计、研究的实施和可行性分析、论文撰写；王峻峰、唐叶负责染色体核型诊断、结果分析与审核；杨岚负责研究的设计与指导、论文修改、对文章整体负责、监督管理；石锦平、吴晓负责染色体制备的实验操作；赵頔负责收集整理数据、统计分析。所有作者确认了论文最终稿。

本文无利益冲突。