摄像手机就能查血红蛋白？从结膜血管视频到AI血细胞计数

一项发表在NPJ Digital Medicine的研究展示了一种无创的深度学习方法，通过分析眼球结膜血管的高倍视频，可以预测血红蛋白浓度和红细胞计数。这项技术有望在未来为资源紧张地区和居家健康监测提供便捷的血液检测方案。

背景

血红蛋白和红细胞计数是临床诊断的基础检查，传统方法需要静脉采血，这个过程对患者不仅造成不适，还在资源有限的地区形成了检测障碍。许多发展中国家和偏远地区缺乏完善的检验室基础设施，患者难以获得及时的血液学检查。

近年来，人工智能和医学影像处理技术的进步为无创血液参数检测开辟了新方向。研究人员发现，眼球球结膜（眼白和虹膜交界处）的微血管信息丰富，血管的形态和光学性质与全身血液学特征密切相关。Denis等研究者基于这一观察，开发了一套深度学习管道，旨在通过简单的视频采集来推断血红蛋白和红细胞计数，为无创血液学检测提供新的可能性。

主要发现

• 预测准确性：研究在224名参与者（平均年龄59.2岁）身上进行了验证，VesselNet模型对血红蛋白的预测相关性为Spearman’s ρ = 0.47，对红细胞计数的预测相关性为ρ = 0.46。在贫血检测（血红蛋白<11 g/dL）上，模型的ROC-AUC达到82.8%（95%置信区间：73.9%-90.3%），表现出良好的诊断区分能力。
• 血管优先级差异：细血管（直径≤8像素）相比粗血管提供了更多有价值的预测信息，前者的相关性为ρ = 0.47，后者仅为ρ = 0.30。同时，视频的局部稳定化处理和噪声去除步骤至关重要，当移除这两个环节时，模型性能分别下降38%和19%。
• 多血管集合的优势：使用16个血管的”集合”方法明显优于传统的单血管分析，Spearman相关性从0.42提升到0.47，贫血检测的ROC-AUC从78.5%提升到82.8%。这说明多个血管信息的综合利用能显著增强预测的鲁棒性。
• 跨群体泛化性能：重要性加权策略使得模型在不同种族人群间表现出良好的一致性，非西班牙裔黑人和白人群体的ROC-AUC分别达到82.9%-89.3%，表明该方法具有一定的跨群体适用性。

工作原理与技术创新

这项研究开发的”Video-to-Vessels”管道实现了约200倍的维度降低，将10秒的原始视频（采用50倍放大、1296×972像素分辨率）压缩为具有血流动力学信息的80×160像素时空血管表示。整个流程包括三个关键步骤：首先通过全局和局部视频稳定化（使用LoFTR算法）补偿眼睛微动，其次用FR-UNET进行血管分割，最后通过去噪处理提高信号质量。

预测模型VesselNet采用多实例学习框架，以ConvNeXt作为主干网络，配合交叉注意力机制来融合多个血管的厚度信息。这种设计思路避免了对单一血管过度依赖，充分利用了不同血管提供的互补信息。研究采用20折交叉验证策略来评估模型性能，与同日进行的实验室测量结果进行对比，确保了评估的严谨性。

临床意义与应用前景

这项技术的最大意义在于为无创血液学筛查提供了可行的新思路。许多患者由于缺乏便捷的检测手段而无法及时获得血液学诊断，特别是在资源有限的社区卫生中心和农村地区。该方法仅需简单的高倍摄像设备——甚至可能用改装的智能手机实现——就能进行初步的血液状态评估。

贫血是全球重要的公共卫生问题，尤其在妊娠期、儿童和老年人群中发病率较高。如果该技术能进一步优化，有望成为便捷的筛查工具，帮助识别有贫血风险的患者。此外，对于需要频繁监测血红蛋白水平的患者（如慢性肾病、恶性肿瘤化疗患者），该方法可能支持更频繁的纵向监测，改善患者的生活质量和医疗体验。

局限性与未来展望

尽管研究结果令人鼓舞，但作者明确指出，目前的方法尚不适合直接替代实验室血液检测。相关性系数（ρ = 0.47）虽然具有统计学意义，但在临床诊疗中的实用性仍需验证。此外，研究样本量相对有限（224人），参与者平均年龄为59.2岁，对于更年轻或更年迈患者人群的适用性尚需进一步研究。

为了将该技术推进到临床应用，研究人员强调需要几个关键改进方向：首先，采用更高分辨率的成像设备以捕捉更细微的血管结构特征；其次，在更大且更具多样性的患者队列中进行验证，确保模型的泛化能力；最后，需要开发更先进的算法以达到临床检验级别的准确度标准。

从当前研究来看，该技术最实际的应用场景是作为分类工具在初级医疗卫生中使用，帮助医务人员快速识别可能患有贫血的患者。这样既能改善患者就医体验，又能提高医疗资源的分配效率，代表了医学诊断无创化和智能化的重要方向。

Original paper: Towards noninvasive blood count using a deep learning pipeline from bulbar conjunctiva videos. — NPJ digital medicine. 10.1038/s41746-026-02598-2

🎧 收听播客