Diagnostik av blodsjukdomar som leukemi bygger i stor utsträckning på att kunna identifiera subtila avvikelser i blodcellernas form, storlek och utseende.
Denna uppgift är traditionellt sett mycket krävande och kräver lång erfarenhet, och även erfarna hematologer kan ha svårt att nå enighet i komplexa fall. Ny forskning från forskargrupper vid University of Cambridge, University College London och Queen Mary University of London presenterar nu ett banbrytande AI-verktyg, CytoDiffusion, som använder generativ AI för att analysera blodceller med en högre noggrannhet och tillförlitlighet än mänskliga experter – ett steg som kan revolutionera diagnostiken inom hematologi.
CytoDiffusion bygger på samma typ av teknik som de avancerade bildgeneratorerna, exempelvis DALL-E, men istället för att generera konstverk är den specialiserad på att studera blodcellernas morfologi. Till skillnad från traditionella AI-modeller som främst tränas för att känna igen och klassificera kända mönster, modellerar CytoDiffusion den fullständiga distributionen av cellernas utseende. Detta gör det möjligt för modellen att inte bara identifiera vanliga celltyper utan även särskilt sällsynta eller avvikande celler som kan indikera sjukdom. Genom att integrera denna breda förståelse blir CytoDiffusion mer robust gentemot variationer i provtagning, mikroskop och färgningstekniker – vilket är en stor utmaning i klinisk praxis.
Forskarlaget tränade CytoDiffusion på över en halv miljon bilder från perifert blodutstryk samlade in från Addenbrooke’s Hospital, det största dataset som hittills använts i detta sammanhang. Tack vare detta omfattande material har modellen visat sig överträffa befintliga diagnostiska AI-system vad gäller känslighet för att upptäcka onormala celler kopplade till leukemi. En särskilt imponerande egenskap är modellens förmåga att kvantifiera sin egen osäkerhet – något som är avgörande i kliniska sammanhang för att avgöra när en manuell granskning krävs. AI:ns “metakognitiva” förmåga innebär att den kan flagga när den inte är säker och därmed inte felaktigt ge ett säkert diagnosutlåtande, till skillnad från människor som ibland övervärderar sin säkerhet.
I en särskild valideringstest där 10 erfarna hematologer deltog i ett “Turingtest”, kunde inte experterna ens skilja AI-genererade syntetiska blodcellsbilder från äkta prover – en imponerande indikator på modellens realistiska bildskapande kapacitet. Detta visar också att CytoDiffusion kan användas för att generera högkvalitativa syntetiska data vilket kan vara värdefullt för forskning och vidare utveckling av AI i medicinsk diagnostik.
Forskarna betonar att verktyget är tänkt som ett stöd för kliniker, där det automatiserar analysen av rutinmässiga fall och lyfter fram onormala celler för vidare manuell bedömning. Det ska alltså inte ersätta expertkunskap utan komplettera den, och möjliggöra snabbare, mer pålitlig diagnostik. Att frigöra tid och kapacitet hos specialistläkare har stor potential att förbättra patientvården, särskilt i miljöer med hög arbetsbelastning.
Slutligen har teamet tillgängliggjort sitt omfattande dataset öppet för världens forskare, vilket de hoppas ska demokratisera tillgången till kvalitetsdata och stimulera utveckling av nya AI-lösningar inom hematologi och medicinsk bildanalys.
Sammanfattningsvis pekar CytoDiffusion mot en framtid där generativ AI inte bara matchar mänskliga experters förmåga att känna igen avvikelser i blodceller, utan även överträffar dem i självinsikt och reliability. Detta markerar ett viktigt steg framåt i precisionen och tillförlitligheten i diagnostiken av allvarliga blodsjukdomar som leukemi, och framtida arbete kommer att fokusera på att vidareutveckla och validera tekniken i bredare kliniska sammanhang.
Mer information: Deep generative classification of blood cell morphology, Nature Machine Intelligence (2025). DOI: 10.1038/s42256-025-01122-7
