非侵入式血液检测是临床医学与医疗设备市场长期未获满足的核心需求。常规的血红蛋白水平与红细胞计数检测作为临床最普遍的医疗程序之一，目前仍高度依赖侵入性的静脉采血或末梢针刺，且需要复杂的实验室分析仪器支持，这在医疗资源匮乏或偏远地区严重受限。
近日，自然出版集团旗下的数字医学期刊《npj-数字医学》（npj Digital Medicine）发表了一项研究论文。以色列特拉维夫大学物理与天文学院、计算机科学与人工智能学院联合谢巴医疗中心（Sheba Medical Center）的视网膜研究实验室，共同开发出一种名为“视频至血管”（Video-to-Vessels）的医疗人工智能系统。该系统仅需对受试者眼结膜（眼白表面的透明薄膜）的微细血管进行简短的视频录制，即可通过算法评估其血红蛋白（Hb）水平与红细胞（RBC）计数，实现非侵入式贫血筛查。
世界卫生组织统计数据显示，贫血是全球患病率最高的临床病症之一，影响着全球约 30% 的人口。如何跳过传统生化实验室对离心、显色等物理化学处理的依赖，是实现高通量、非侵入式贫血初筛的技术瓶颈。
为了解决这一难题，研究团队将计算光学成像与深度学习图像处理相结合。研究共招募了 224 名受试者，研究人员使用 50 倍放大率的 RGB 工业相机，采集每位受试者双眼结膜微血管的 10 秒视频数据，并同步收集了受试者的标准实验室生化血检数据作为对照。
“视频至血管”技术的核心逻辑在于将光学视频中捕捉到的微观血管结构和血流动力学特征（如红细胞重叠度、流动速率动力学变化），转化为紧凑的血管结构数字化矩阵。随后，该矩阵被输入到经过预训练的深度学习网络中，由算法识别并建立血流图像特征与血红蛋白浓度之间的非线性映射关系。
临床试验数据表明，该系统在检测和筛查贫血方面达到了 82.8% 的诊断准确率，且其预测的血红蛋白值、红细胞计数与实验室传统的“金标准”生化结果呈现出高度相关性。
机制研究进一步揭示，直径极其微小的毛细血管为系统提供了最精准的预测数据。研究人员解释称，在极窄的微细血管中，红细胞在管腔内呈单列纵队排列通过（Single-file flow）。这种独特的空间分布减弱了红细胞重叠产生的视觉干扰，使人工智能能够精确识别出与血红蛋白浓度高度相关的血流动力学图像特征。实验表明，仅基于微细血管训练的模型，其预测效能显着优于基于粗大血管的模型。
此外，研究人员强调，算法中的计算光学预处理对预测精度具有决定性作用。由于眼球存在微小的自主震颤，系统必须引入图像稳定化和数字去噪算法。测试表明，若在处理流程中略去视频稳定与去噪步骤，系统对血红蛋白水平和红细胞计数的预测结果与临床生化指标的相关性系数将分别下降 38% 和 19%。
论文作者表示，该项研究目前仍处于临床前的概念验证（Proof-of-Concept）阶段，在正式进入临床实践前，仍需在更多肤色、更广泛异质性的人群队列中开展多中心验证。然而，由于该技术的底层硬件架构仅依赖高倍 RGB 相机，具备极高的硬件集成可行性。未来，该技术有望被封装进紧凑的便携式手持检测设备或智能手机外设中，作为基层诊所、社区医疗以及家庭场景下的一线无创初筛工具，从而降低全球特别是欠发达地区的医疗诊断门槛。
参考文献：Tamir Denis et al, Towards noninvasive blood count using a deep learning pipeline from bulbar conjunctiva videos, npj Digital Medicine (2026). DOI: 10.1038/s41746-026-02598-2
编辑：王洪
排版：李丽
评论 (0)