KAYRA：面向AI辅助核型分析的微服务架构
机器学习
2026-04-30 v1 计算机视觉与模式识别
摘要
我们提出KAYRA，这是一个运行于临床细胞学实验室操作约束条件内的端到端核型分析系统。KAYRA被构建为容器化的微服务管道，其ML堆栈组合了EfficientNet-B5 + U-Net语义分割器、Mask R-CNN（ResNet-50 + FPN）实例检测器，以及ResNet-18分类器，通过级联ROI缩小策略进行编排，使每个下游模型都聚焦于染色体承载区域。相同的容器镜像既可作为云服务部署，也可作为本地安装部署，支持不允许患者数据出境的临床环境，也支持允许数据出境的环境。对459个染色体（来自10个形态学 spreads）的两个商业参考核型系统的试点临床评估显示，分割准确率为98.91%（相对于78.21% / 40.52%），分类准确率为89.1%（相对于86.9% / 54.5%），旋转准确率为89.76%（相对于94.55% / 78.43%）。KAYRA在所有三个维度上均优于较旧的基于密度阈值的参考（分割和分类的染色体级计数中，p < 0.0001），并且在分割上也优于现代AI支持的参考（p < 0.0001）；在分类方面，与现代AI参考的差异在当前测试集大小下不显著（p = 0.34）。该系统达到了TRL 6成熟度，并集成了诊断细胞学实践所需的人类在环专家审核工作流程。本文的论点是，多模型细胞学AI服务可以打包为支持灵活部署——云主机或本地——的微服务架构，同时在试点临床评估中实现卓越的实际性能。
引用
@article{arxiv.2604.26869,
title = {KAYRA: A Microservice Architecture for AI-Assisted Karyotyping with Cloud and On-Premise Deployment},
author = {Attila Pintér and Javier Rico and Attila Répai and Jalal Al-Afandi and Adrienn Éva Borsy and András Kozma and Hajnalka Andrikovics and György Cserey},
journal= {arXiv preprint arXiv:2604.26869},
year = {2026}
}