LeukoAlert：常规血常规72项特征实时筛查白血病，七家中心前瞻验证AUC达0.969

核心要点

• 问题：白血病缺乏简便、可规模化的筛查工具，常规血常规中蕴含的风险信号在繁忙的检验工作流中常被忽略。
• 方法：LeukoAlert 将常规血常规的 72 项特征转化为实时机会性筛查工具，在 44.7 万条记录、7 家独立中心训练验证，并接入真实检验信息系统做前瞻性评估。
• 结果：开发验证阶段白血病判别 AUC 最高达 0.996；在 5.8 万条前瞻性真实世界记录中 AUC 为 0.969，识别出非血液科的隐匿白血病与早期复发。
• 意义：无需新增检查即可把常规血常规升级为风险提示入口，但急性与慢性亚型分类仅中等表现，仍需专家确诊与前瞻性临床结局研究。
• 原文：An interpretable artificial intelligence model for real-time leukemia screening via routine blood tests across multicenter cohorts，npj Digital Medicine，2026-07-25

1. 白血病筛查的临床挑战

白血病（leukemia）是一组起源于造血系统的恶性肿瘤，早期症状往往不特异——乏力、发热、出血倾向等极易被误认为普通感染或疲劳。确诊依赖骨髓穿刺、流式细胞术、细胞遗传学与分子检测等专科手段，多数患者转诊到血液科时病情已进展，错失了早期干预窗口。

常规血常规（全血细胞计数，complete blood count，CBC）是几乎所有就诊场景都会做的检验项目，其中的白细胞计数异常、细胞群参数偏移等其实蕴含白血病的风险信号。但在繁忙的检验科与临床工作流中，这些信号多依赖人工阈值判断，大量异常被当作一过性波动放过，缺乏一套简单、可规模化、智能化的筛查工具。

研究要回答的问题很直接：能否把"一次常规血常规"顺带变成"一次机会性白血病风险筛查"，无需新增标本、无需新增检查，让模型在报告生成的当下同步给出风险提示？这项研究由上海长海医院刘善荣团队联合多家中心完成，成果发表于 npj Digital Medicine。

2. LeukoAlert 的核心创新

这项工作的价值不在提出一个更复杂的算法，而在于三点工程层面的实质贡献。

第一，把"检验报表"重构为"模型输入"。过去基于血常规的白血病识别多停留在单一指标或简单规则，LeukoAlert 整合了 72 项特征——除常规报告指标外，还包括血细胞分析仪内部产生的细胞群参数与质量标记，从既有设备本就生成、却长期未被充分利用的数据里挖掘信号。这正是我们此前在AI 数字血涂片形态学一文中讨论过的思路延续：先重新理解既有检验数据，再让模型嵌入原有工作流。

第二，串起了一条相对完整的证据链。研究在 7 家独立中心的 44.7 万条记录上训练与验证，再前瞻性接入真实检验信息系统连续运行，用 5.8 万条非选择性记录评估模型在真实时间流中的表现。这种"回顾训练→多中心验证→前瞻真实世界"的链条，正是医疗 AI 落地最稀缺的部分。

第三，强调可解释性。研究识别出 9 个扎根于白血病病理生理的可解释特征，让风险提示可追溯，便于检验科与临床快速复核，而不是一个无法解释的黑箱分数。

3. 技术原理：血常规数据如何变成实时风险提示

研究的基本流程可以概括为"输入—判别—输出"三步。

输入是常规血常规的 72 项特征，覆盖常规报告指标、血细胞分析仪内部的细胞群参数与质量标记。模型学习的是"白血病与非白血病"之间的区分模式，输出则是一条实时的风险标记（risk flagging），在报告生成时同步给出，供检验科复核后决定是否提示临床进一步检查。评价以 AUC 衡量模型的区分能力，并在前瞻性真实世界队列中做独立检验。

需要说明的是，这里评估的是研究型的可解释 AI 模型，而非已经获批上市的诊断产品。风险提示不等于确诊，最终确诊仍需形态学、流式细胞术、细胞遗传学与分子检测共同完成。

4. 数据说话：开发 AUC 0.996，前瞻真实世界 AUC 0.969

论文报告的核心结果如下表。

两个数字最值得关注。其一，开发验证阶段模型区分白血病与非白血病的 AUC 最高达到 0.996，说明在这套多中心数据上判别能力很强；其二，更关键的是前瞻性真实世界评估——在 5.8 万条非选择性、按真实时间流进入检验信息系统的记录中，AUC 保持 0.969，并识别出了非血液科就诊人群中的隐匿白血病与早期复发。这意味着模型在脱离"精心挑选的验证集"之后，仍能在真实工作流中稳定发挥。

但也要看清边界：急性与慢性白血病的亚型分类仅达到中等表现，且摘要未报告灵敏度、特异度与阳性预测值等操作点指标，因此不能把 AUC 的"强判别"直接等同于"能准确筛查"。

5. 从实验室到临床：应用前景与局限

这项研究对产业有三个具体落点。其一，可作为检验科与体检中心的机会性筛查层，嵌入实验室信息系统（LIS），让每一份常规血常规报告都附带一道风险提示；其二，可帮助非血液科（门诊、住院、体检）更早发现隐匿白血病，缩短从"异常血常规"到"血液科就诊"的延迟；其三，可辅助血液科对已确诊患者的早期复发进行监测。

但至少有两条重要局限需要正视。第一，急性与慢性亚型分类仅中等表现，模型定位是"风险提示"而非"分型诊断"，无法替代形态学与分子检测。第二，尽管包含前瞻性真实世界评估，摘要未报告灵敏度、特异度与临床结局（如确诊延迟、生存获益），也尚未在不同人群、不同分析仪平台与参考区间上做跨机构泛化验证；作者也明确表示这仍是"支持进一步评估的风险提示工具"，而非可直接部署的筛查产品。此外，该论文以"提前共享"（early sharing）形式先行发布，最终 Version of Record 待更新。

6. 结论与产业启示

这项研究给出一个朴素却有力的结论：常规血常规数据本身足以支撑一个实时的白血病机会性筛查工具，多中心验证 AUC 最高 0.996，前瞻性真实世界评估 AUC 0.969，并能识别非血液科的隐匿病例与早期复发。

对医疗 AI 企业和研究团队有三点建议：一是聚焦"既有设备数据未被充分利用"的低成本切入点，把模型嵌入检验信息系统的工作流，而非另起炉灶；二是落地前务必做本地阈值标定，报告灵敏度、特异度与警报负担，并建立"风险提示→检验复核→临床升级→确诊"的完整闭环；三是把可解释性作为检验科 AI 的必选项，让每一条提示都可追溯、可复核。

这也正是思陌智能科研服务长期关注的方向：面向 AI 医疗软件开发与医疗 AI 科研服务，协助团队完成检验数据与医学影像 AI 的模型开发、多中心验证与真实工作流评估验证，为风险提示类工具的合规落地提供端到端支撑。

相关问题

Q：这项 AI 已经能用于临床筛查白血病了吗？

A：还不能直接当作诊断工具。研究虽为多中心加前瞻真实世界评估，AUC 达 0.969，但急性与慢性亚型分类仅中等表现，且摘要未报告灵敏度、特异度与临床结局。它定位是风险提示辅助工具，最终确诊仍需形态学、流式细胞术、细胞遗传学与分子检测。

Q：它会替代血液科医生或检验技师吗？

A：不会。LeukoAlert 的价值是把常规血常规数据变成风险信号，在报告生成时多一道提示，而非替代人工复核与确诊。它识别的是需要进一步检查的信号，不是最终诊断，医生与检验人员仍是决策和复核的主体，模型只是把可能被忽略的异常提前点亮。

Q：对医院或患者意味着什么？

A：意味着一次常规血常规可能顺带完成一次机会性白血病风险筛查，无需额外抽血或新增检查，有望帮助非血液科的隐匿病例更早被发现。但需在本地人群与不同分析仪平台上独立验证，并评估警报负担，才能谈实际落地，目前仍属研究型评估。

参考文献

1. Guo J, Xu X, Liu S, et al. An interpretable artificial intelligence model for real-time leukemia screening via routine blood tests across multicenter cohorts. npj Digital Medicine. 2026. DOI: 10.1038/s41746-026-03016-3
2. Khoury JD, Solary E, Abla O, et al. The 5th edition of the World Health Organization Classification of Haematolymphoid Tumours: Myeloid and Histiocytic/Dendritic Neoplasms. Leukemia. 2022. DOI: 10.1038/s41375-022-01613-1

本文基于 An interpretable artificial intelligence model for real-time leukemia screening via routine blood tests across multicenter cohorts 的独立解读，仅供学术交流，不构成临床建议。