目的:近年来,人工智能在血细胞形态分析领域广泛应用,促进了血液肿瘤系统疾病的诊断、鉴别及预后的发展。不同的浆细胞克隆性疾病的鉴别主要是依赖于临床表现及实验室、影像等各项检查,目前不能完全根据骨髓中克隆性浆细胞数量来鉴别系统性轻链型淀粉样变性（systemic light chain amyloidosis,AL）和多发性骨髓瘤（multiple myeloma,MM）,因为部分AL患者也表现为骨髓中的高肿瘤负荷。浆细胞本身的区别可能也是发生不同类型浆细胞疾病的原因之一,因此,我们基于人工智能,根据骨髓涂片中浆细胞形态及细胞核形态特征建立多发性骨髓瘤与系统性轻链型淀粉样变性鉴别诊断模型,并评估模型性能。旨在通过浆细胞形态及细胞核形态特征鉴别诊断两种疾病。对于接受骨髓象检查确诊为浆细胞恶性肿瘤的患者,有望通过人工智能识别分类骨髓中的浆细胞形态和浆细胞核形态特征,提高疾病诊断效率。资料方法:我们收集和整理了2011年至2021年期间就诊于吉林大学中日联谊医院已明确诊断的10例系统性轻链型淀粉样变性患者和10例多发性骨髓瘤患者的骨髓涂片,每个患者两张骨髓涂片。利用显微镜和MATLAB图像采集工具箱进行细胞图像采集,建立系统性轻链型淀粉样变性（AL）和多发性骨髓瘤（MM）骨髓细胞形态数据库。由两名骨髓病理医师进行细胞标记,利用Image J分割得到AL浆细胞图像7500张、MM浆细胞图像8000张,建立单一浆细胞形态数据集。通过Image J分割提取细胞核的特征,应用R语言构建基于浆细胞核形态特征的经典机器学习模型进行AL和MM鉴别。通过ROC曲线（Receiver operating characteristic curve,简称ROC曲线）和AUC（Area Under the Curve,AUC）评价模型性能。应用MATLAB深度学习工具箱预训练网络模型训练进行浆细胞形态分类,预训练网络模型包括Vgg16、Vgg19、Googlenet、Alexnet、Resnet18。通过混淆矩阵准确率、精确率、AUC、召回率等评估模型性能。结果:1.本研究建立了AL和MM骨髓细胞形态数据库,利用Image J分割获得AL浆细胞图像7500张和MM浆细胞图像8000张,建立单一浆细胞图像数据集,提取浆细胞核形态特征并获得了特征汇总表。2.本研究构建了基于浆细胞核形态特征鉴别AL和MM的经典机器学习模型,根据Summary汇总数据,得到模型ROC曲线曲线下的面积AUC值,其中线性回归模型AUC值为68%,SVM模型AUC值为79%,随机森林模型AUC值为84%,Boost模型AUC值为85%。Boost模型混淆矩阵准确率为79.7%,总错误率为20.3%,平均分类错误率为27.35%。3.本研究构建了基于浆细胞形态鉴别AL和MM的深度学习模型,Alexnet模型的准确率为89.97%,ROC曲线下的面积AUC值为87.51%。Resnet18模型的准确率为90.59%,AUC值为98.18%。Googlenet模型的准确率为77.15%,AUC值为94.27%。Vgg16模型的准确率为89.83%,AUC值为88.22%。Vgg19模型的准确率为89.15%,AUC值为85.49%。结论:1.本研究使用了包含15500张浆细胞图像数据集,评估了分类性能,评估所用的深度学习算法都运行良好,为今后基于浆细胞及细胞核形态方面的研究提供图像数据。2.本研究基于浆细胞核特征构建的经典机器学习模型可以对AL和MM进行较好的分类鉴别,与线性回归、SVM、随机森林相比,Boost模型基于浆细胞核形态特征鉴别AL和MM性能最佳,但混淆矩阵的错误率较高,在临床应用中可能存在一定的困难。3.本研究基于浆细胞形态构建的五种深度学习模型Vgg16、Vgg19、Googlenet、Alexnet、Resnet18能较好地分类鉴别AL和MM,且通过比较发现Resnet18模型性能最佳,能够较好地通过浆细胞形态实现两种疾病的鉴别,为浆细胞恶性肿瘤疾病鉴别提供有意义的线索。