由剑桥大学、伦敦大学学院和伦敦玛丽女王大学研究人员联合开发的AI系统CytoDiffusion，利用生成式人工智能技术，能够精准识别血液细胞的形态异常，甚至发现医生容易遗漏的罕见或病变细胞。该成果发表于《自然·机器智能》期刊。 传统血液涂片检查依赖医生在显微镜下观察数千个细胞，判断其大小、形状和结构，以诊断白血病等血液疾病。然而，这一过程耗时耗力，且不同医生间常存在判断差异。研究人员训练CytoDiffusion模型分析了来自剑桥阿登布鲁克医院的超过50万张血液涂片图像，构建了目前全球最大的同类公开数据集。 与多数仅用于分类的AI模型不同，CytoDiffusion通过建模细胞形态的完整分布，不仅能识别常见细胞类型，还能有效应对不同医院设备、显微镜和染色方法带来的差异，显著提升对罕见或异常细胞的检测能力。测试显示，该系统在识别白血病相关异常细胞方面灵敏度远超现有技术，且在样本较少的情况下仍表现优异。 更关键的是，CytoDiffusion具备“自我认知”能力——能准确评估自身判断的不确定性，避免盲目自信出错，而人类医生有时恰恰会犯此类错误。在一项“图灵测试”中，十位资深血液学家无法区分真实细胞图像与AI生成的合成图像，准确率仅相当于随机猜测，凸显其生成图像的高度逼真性。 研究人员强调，该系统并非取代医生，而是作为辅助工具，自动处理常规病例，快速标记可疑异常供医生复核，从而提升诊断效率与准确性。团队认为，真正的医疗AI价值在于超越人类专家与传统统计模型，实现更高水平的诊断、预测与决策支持，尤其体现在对自身认知局限的清醒判断上。 目前，研究团队已公开发布这一大规模数据集，旨在推动全球AI医疗研究，促进高质量医学数据的共享与公平获取。下一步工作将聚焦提升系统运行速度，并在多样化人群样本中验证其公平性与普适性。该研究得到英国医学研究理事会、英国心脏基金会、国家健康服务体系等多个机构支持，是“BloodCounts!”全球AI血液诊断联盟的重要成果。