開發支援血液惡性腫瘤鑑別診斷的 AI 技術

日立與國立大學法人九州大學醫院（以下簡稱九州大學醫院）共同開發了一種基於機器學習的 AI 技術，旨在支援醫師進行用於診斷血液惡性腫瘤的流式細胞術（FCM）檢測之鑑別診斷。

由於血液惡性腫瘤的治療方法會因病型而有很大差異，因此適當縮小候選疾病範圍對於患者選擇合適治療至關重要。另一方面，FCM 檢測是藉由測量代表細胞特徵的標記來輔助診斷的重要手段，但檢測數據的解讀需要高度的專業與經驗，且隨著病例數增加，解析負擔也隨之加重。此次開發的 AI 技術特點在於，利用細胞群體中的「標記陽性率」作為特徵值，以貼近實際診斷流程的方式進行分類。該技術針對白血病、淋巴瘤、多發性骨髓瘤等總計 16 個類別，以帶有機率的形式提示多個候選疾病，協助醫師整理判斷依據並獲得新的診斷洞見。在九州大學醫院使用超過 500 例臨床數據進行學習與評估後，確認在多種疾病的同時分類中，AUC 性能達到 0.9 以上。

日立未來將透過與醫療機構及檢測公司的共同驗證（PoC），擴大評估規模，旨在將其作為有助於平衡醫療品質與可持續性的診斷支援技術進行實裝。

背景與挑戰

隨著全球癌症病例增加，建立能夠支撐有限醫療人力進行檢測結果解讀的機制變得至關重要。FCM 檢測透過雷射照射細胞測量標記進行解析，但需要高度的專業知識與經驗。此外，隨著檢測件數增加，解析工作負擔加重，因此亟需能夠高效率解析並清晰呈現鑑別材料的技術。

開發技術特點

1. 利用「標記陽性率」的 AI 模型：遵循門控（gating）後的解讀流程建立，協助醫師利用慣用的指標確認結果，推動診斷標準化。 2. 透過機率提示多個候選結果：不單僅提示一個疾病名稱，而是帶有機率地列出多個候選疾病（目前為 16 類），提供醫師鑑別診斷時的判斷依據，協助確認與自身假設的一致性或發現未預料的候選項目。

已確認效果

構建了針對白血病以及淋巴瘤、多發性骨髓瘤的兩套模型，利用九州大學醫院 500 例以上臨床數據進行學習與評估，確認 AUC 性能在 0.9 以上。

未來展望

未來將透過與醫療機構的 PoC 擴大評估規模，旨在使其順暢地應用於診療流程中。此外，本成果部分內容已於 6 月 11 日至 14 日在瑞典舉行的歐洲血液學會（EHA）2026 年大會上以摘要形式刊登。