2026年，上海长海医院、上海交通大学及多中心合作团队等团队在npj Digital Medicine发表LeukoAlert研究。团队汇集7家医院、44.7万余份血常规记录，将常规报告指标、血细胞分析仪内部的细胞群参数及质量标记结合起来，训练白血病风险识别模型，并进一步把模型接入真实医院的检验信息系统，进行了前瞻性运行。

这项工作的价值不只在于得到一个较高的AUC。它把数据挖掘、多中心验证、低患病率场景评价和临床系统部署串成了一条相对完整的证据链，也展示了一条很现实的医疗AI路线：先重新理解既有设备正在产生、但尚未被充分利用的数据，再把模型嵌回原有工作流。

研究设计与队列构建

研究总计纳入 446558 份血常规记录、203284 名受试者，覆盖 7 家医疗中心，队列分层充分纳入时间波动、机构差异与真实临床运行场景：

1.训练队列：3 家中心 2024 年 1—6 月数据，共 26922 份记录；

2.内部验证队列：相同 3 家中心 2024 年 7—9 月数据，共 211507 份记录；

3.外部验证队列：其余 4 家中心数据，共 149648 份记录；

4.前瞻性真实世界部署队列：长海医院检验系统连续运行 3 个月，纳入 58481 份血常规、21407 名受试者。

图1：LeukoAlert多中心队列构成与研究设计

研究核心科学问题：基于历史数据训练的识别模型，能否经受时间变迁、不同医院人群差异，以及检验信息系统（LIS）持续运行的真实场景考验。

核心创新：整合仪器内部原始信号构建预警模型

1. 特征筛选流程

研究初始汇总 72 项候选变量，分为三类：35 项细胞群参数、29 项常规血常规指标、8 项仪器质量标记。研究团队依托检验系统提取血常规与病历数据，结合 ICD-10 编码、诊断关键词构建病例标签，剔除疾病缓解期样本；训练阶段处理样本类别不平衡，对比多种机器学习算法；验证阶段保留人群原始患病分布，贴近真实临床环境。

模型对比了逻辑回归、随机森林、支持向量机、XGBoost、LightGBM、梯度提升决策树 6 类算法，梯度提升决策树综合表现最优。研究核心价值不在于创新算法，而是检验数据重构、多中心队列搭建、低患病率场景阈值标定、检验系统实时对接整套工程体系。

图2：从血细胞分析仪数据到实时风险预警的建模流程

2. 9 项核心特征，划分四大血液学信息维度

通过特征筛选与 SHAP 可解释性分析，从 72 个变量精简得到 9 项关键特征，精简后模型效能仅轻微下降（全部特征 AUC 0.969，9 项特征联合建模 AUC 0.960），大幅降低模型复杂度。9 项特征归属四大信息轴：

红系数量与异质性：RBC、RDW-CV、RDW-SD（红细胞数量、红细胞大小分布特征）；

中性粒细胞群分布特征：NEUT%&、NE-WX、NE-WY（中性粒细胞占比，细胞群散射、荧光信号离散程度）；

单核细胞相关信号：MONO%、MO-WX（单核细胞比例、单核细胞群体分布特征）；

淋巴细胞内部结构信号：LY-X（淋巴细胞群结构信息）。

图3：LeukoAlert筛选出的9项关键血常规特征

3. 可解释性定位：面向临床落地的工程接口

SHAP 分析可明确各变量对风险评分的贡献大小与关联方向，但仅代表统计学关联，不能直接推导疾病因果机制。这套可解释体系的实用价值体现在三方面：

质量可控：监测核心特征在不同中心、不同仪器间是否出现系统性偏移；

流程适配：模型预警可和仪器报警、血涂片复检、患者病史整合进统一审核流程；

便于迭代迁移：跨设备平台推广时，9 项明确的血液学信号提供清晰对齐目标，无需整体重新训练黑盒模型。

关键研究结果

1. 多中心队列模型效能稳定

训练集各模型 AUC 区间 0.955~0.996；内部验证 AUC 0.939~0.964；

梯度提升决策树在 4 个外部中心 AUC 0.954~0.970，准确率 0.862~0.961，召回率 0.801~0.856，特异度 0.864~0.964；

限定为患者首次血常规分析：内部队列 AUC 0.949~0.996，外部中心 AUC 0.943~0.970，前瞻性真实世界队列 AUC 可达 0.976。

多中心数据证实，血细胞群信号具备同检测平台下跨机构稳定性；局限在于所有中心使用同一品牌系列血细胞分析仪，跨厂商、跨检测原理的泛化能力仍有待后续验证。

2. 低患病率场景：AUPRC、阳性预测值比 AUC 更具现实意义

前瞻性队列白血病个体患病率仅 0.49%，与富集病例的回顾性数据集差异巨大。极低患病率环境下，单纯依靠 AUROC 无法评估模型实用价值。

真实队列 AUPRC 为 0.533（95% CI：0.512—0.555），显著优于患病率基线 0.0049；

阈值设定 0.5 时，阳性预测值 PPV=0.388，即每 2~3 条预警中，可发现 1 例白血病相关患者。

该结果量化了检验科的工作负荷：模型并非直接确诊疾病，而是从海量常规血常规中富集高风险人群，把罕见的疾病信号筛选出来，这也是机会性风险预警工具的核心价值。

3. 三类典型病例，明确模型适用临床场景

论文列举 3 类代表性预警案例，展示模型可以填补的临床缝隙：

细胞显著升高病例：心脏手术就诊患者，白细胞 50.24×10⁹/L、幼稚粒细胞 16%，模型触发预警，后续确诊慢性髓性白血病；作用是在海量报告中实现快速风险排序。

白细胞计数正常、多系异常病例：牙龈出血急诊患者，白细胞总数无升高，但合并重度贫血、血小板减少、异常细胞升高，模型高分预警，最终确诊急性 B 淋巴细胞白血病；提示白血病风险不能仅凭白细胞高低判断，多维细胞信号联合评估至关重要。

白血病术后随访弱信号病例：急性淋巴细胞白血病移植后随访，仅轻度血细胞减少，无明显原始细胞提示，多项微弱信号叠加触发预警；适用于长期随访人群早期风险提示。

图5：真实世界部署中的3个代表性预警病例

补充说明：研究尝试区分急性、慢性白血病，但不同队列效能波动较大。现阶段 LeukoAlert 清晰定位为白血病风险优先级排序工具，检出高风险样本后，依靠血涂片、流式、骨髓及分子检测完成亚型确诊；白血病亚型精准分型属于下一阶段研究目标。

延伸讨论与启发

1. 研究思路借鉴：深挖现有常规检测的潜在价值

多数医疗 AI 研究聚焦新型影像、组学、专用检测设备；LeukoAlert 提供新思路：充分挖掘现有高频检测中，仪器采集但未对外输出的中间信号。血常规普及度高、检测频次高、无需额外采血、可直接对接现有 LIS 流程；模型输出仅用于调整报告复核优先级，落地门槛远高于直接输出诊疗建议。同类思路可拓展至尿液分析、生化、凝血、生命体征监护等设备。

2. 低患病率筛查模型，评价体系需要前置规划

针对机会性筛查类 AI 模型，不能只依赖回顾性病例对照数据，研究初期就要回答四个关键问题：①目标场景真实患病率；②不同预警阈值产生的复核工作量；③每检出 1 例病例所需付出的审核成本；④科室可承载的预警上限。仅报告 AUC 容易高估模型价值，AUPRC、阳性预测值、工作量评估必须纳入评价体系。

3. 研究边界与后续研究方向

当前研究实现 LIS 实时前瞻性部署，但仍存在待完善方向：

尚未定量对比 LeukoAlert 和现有仪器报警、人工复检规则的增量价值；

未评估预警能否缩短确诊时间、改善患者最终临床结局；

人群包含新发、确诊、随访患者，定位为机会性风险标记工具，不等同于普通人群无症状筛查方案。

后续重点方向：开展跨仪器平台验证；头对头对比传统复检规则与 AI 模型；追踪预警触发后的临床处置行为；以确诊时长、漏诊率、额外检查负担评价系统整体收益。

4. 给医疗 AI 研发团队的四点启发

优先选择高频、低接入门槛的数据来源：数据体量、结构化程度、流程融合难度，往往比复杂算法更决定项目能否落地；

数据集拆分方案是模型可信度基础：针对多次重复检验人群，必须采用患者级拆分、首检亚组分析，防范信息泄露；

验证阶段还原真实流行病学分布：训练阶段可平衡样本，评估阶段必须还原真实患病率，否则 PPV 与工作量估算会严重失真；

模型可解释性服务落地应用：只有助力质控、漂移监测、复检流程优化与版本迭代，可解释分析才能脱离论文图表，成为系统工程的组成部分。

总结

LeukoAlert 核心思路是重新挖掘血细胞分析仪内置、尚未充分利用的细胞形态信号，依托大样本多中心队列验证模型稳定性，并实现检验系统常态化接入。该研究证明：当数据源高频易得、研究目标清晰聚焦、评价指标贴合临床工作量、模型输出匹配现有岗位工作流程时，医疗 AI 能够从离线算法实验，转变为检验日常流程中新的能力层，推动临床诊疗从单纯读取血常规数值，升级为解读多维血细胞形态信号。