ИЗМЕНЕНИЯ КЛЕТОЧНОГО СОСТАВА ПЕРИФЕРИЧЕСКОЙ КРОВИ ПРИ ЧЕРЕПНО-МОЗГОВОЙ ТРАВМЕ

CHANGES IN THE CELLULAR COMPOSITION OF PERIPHERAL BLOOD IN TRAUMATIC BRAIN INJURY

Nwosu Chizaram David

Junior Researcher, Laboratory "Medical Digital Image Analysis with Foundation Model", Postgraduate Student, Department of Bioengineering, Faculty of Bioengineering and Veterinary Medicine, Don State Technical University,

Russia, Rostov-on-Don

Rozaliia Nabiullina

Engineer of the scientific research laboratory "Medical Digital Image Analysis with Foundation Model", Don State Technical University,

Russia, Rostov-on-Don

Stanislav Rodkin

PhD in Biology, head of the laboratory of "Medical Digital Image Analysis with Foundation Model", associate professor of the department of "Bioengineering", faculty of "Bioengineering and veterinary medicine", Don State Technical University,

Russia, Rostov-on-Don

АННОТАЦИЯ

Цель. Сравнительная оценка динамики воспалительных изменений периферической крови у мышей после тяжелой ЧМТ с использованием ручного метода и модели компьютерного зрения DINO-SwinL.

Материалы и методы. Тяжелую ЧМТ моделировали у самцов мышей CD-1. Забор крови осуществляли на 1, 3 и 7 сутки после травмы. Лейкоцитарная формула определялась ручным методом и с использованием модели DINO-SwinL, обученной на 408 изображениях клеток.

Результаты. Оба метода выявили нейтрофильный лейкоцитоз с лимфопенией и снижением моноцитов на 1-е сутки, пик нейтрофильного ответа на 3-и сутки и частичное восстановление лимфоцитов на 7-е сутки.

Заключение. Ручной и автоматизированный методы подтверждают ключевую роль нейтрофильного звена в остром воспалении после ЧМТ и демонстрируют перспективность применения моделей компьютерного зрения в анализе лейкоцитарной формулы.

ABSTRACT

Objective. A comparative assessment of the dynamics of inflammatory changes in peripheral blood of mice after severe TBI using the manual method and the computer vision model DINO-SwinL.

Materials and Methods. Severe TBI was induced in male CD-1 mice. Blood samples were collected on days 1, 3, and 7 after injury. The leukocyte formula was determined manually and with the DINO-SwinL model trained on 408 cell images.

Results. Both methods revealed neutrophilic leukocytosis with lymphopenia and reduced monocytes on day 1, a peak neutrophil response on day 3, and partial lymphocyte recovery on day 7.

Conclusion. Manual and automated methods confirm the key role of neutrophils in acute inflammation after TBI and demonstrate the potential of computer vision models in leukocyte formula analysis.

Ключевые слова: компьютерное зрение, применение компьютерного зрения в медицине, лейкоцитарная формула, подсчет клеток крови, черепно-мозговая травма.

Keywords: computer vision, medical computer vision application, leukocyte differential, blood cell count, traumatic brain injury.

Введение. Черепно-мозговая травма (ЧМТ) запускает сложную последовательность молекулярно-клеточных процессов, включая системную воспалительную реакцию. Острый период после ЧМТ характеризуется быстрым развитием системных осложнений, включая вторичное повреждение мозга и инфекционные процессы. Ранняя диагностика и мониторинг воспалительного статуса через анализ лейкоцитарной формулы играет ключевую роль в выборе оптимальной стратегии лечения. В условиях необходимости экстренной диагностики автоматизированные системы подсчета клеток крови могут обеспечить более быстрые и надежные результаты по сравнению с традиционными ручными методами, однако их точность требует дополнительной валидации. Цель исследования — сравнительная оценка воспалительного процесса с использованием ручного метода и модели компьютерного зрения, а также изучение применимости модели DINO-SwinL для анализа лейкоцитарной формулы.

Материалы и методы. Тяжелую ЧМТ моделировали по стандартному протоколу: на взрослых мышах CD-1, возрастом 14-15 недель, после анестезии и трепанации отверстия диаметром 3 мм в теменной кости на поверхность мозга сбрасывали металлический стержень массой 150 г с высоты 1 см. Удар наносили в точку 2 мм кзади от брегмы и 1 мм латерально от срединной линии. Отверстие закрывали костным воском, кожу ушивали. Контрольные животные проходили аналогичную процедуру без сброса стержня. Забор крови проводили из каудальной вены через 1, 3 и 7 дней после ЧМТ. Затем готовили препаратов мазков крови по Романовскому – Гимзе по стандартному протоколу и отцифровывали полученные препараты на микроскопе Olympus BX53. Далее была выбрана модель DINO [1]-SwinL, пресет “best_quality” из библиотеки AutoGluon [2]. Обучение модели проводилось на 408 изображениях. Разметка всех типов клеток крови проводилась одним оператором ограничивающими прямоугольниками. Для подсчета и сравнения с ручным подсчетом анализировались только лейкоциты.

Результаты. В таблицах 1 и 2 представлены результаты анализа лейкоцитарной формулы периферической крови в контрольной и экспериментальной группах через 1, 3 и 7 дней для ручного подсчета и подсчета моделью.

Таблица 1.

Ручной подсчет лейкоцитарной формулы

Ручной подсчет (Таблица 1) показал, что через 1 день после воздействия у животных экспериментальной группы наблюдалось достоверное повышение количества сегментоядерных нейтрофилов, сопровождающееся умеренным увеличением числа палочкоядерных нейтрофилов. Доля моноцитов, напротив, снижалась почти в 2 раза. Уровень лимфоцитов также оставался ниже контрольного. На 3 сутки в экспериментальной группе сохранялось значительное повышение сегментоядерных нейтрофилов, что сочеталось с выраженным снижением лимфоцитов. При этом наблюдалось появление гиперсегментоядерных нейтрофилов и частичное восстановление уровня моноцитов. Через 7 дней сохранялось увеличенное количество, хотя доля сегментоядерных нейтрофилов снижалась по сравнению с 3 сутками (51.26 ± 4.10), но оставалась выше контрольных значений (39.88 ± 2.54). Уровень лимфоцитов также оставался существенно пониженным.

Таблица 2.

Подсчет лейкоцитарной формулы DINO-SwinL

Анализ с использованием DINO-SwinL (Таблица 2) подтвердил полученные результаты. В экспериментальной группе на всех сроках фиксировался выраженный нейтрофилез (63.5 ± 6.2 на 1-е сутки, 68.4 ± 5.8 на 3-и сутки, 58.3 ± 4.5 на 7-е сутки) при одновременном снижении лимфоцитов. Моноциты демонстрировали волнообразную динамику: повышение на 3-и сутки (11.5 ± 6.3) и последующее снижение к 7-м суткам (4.6 ± 2.1). Эозинофилы оставались на уровне нуля во всех группах.

Как ручной метод, так и DINO-SwinL выявили сходную динамику: острый нейтрофильный лейкоцитоз в сочетании с лимфопенией и относительным снижением моноцитов.

Обсуждение. Полученные данные свидетельствуют о выраженной активации воспалительного ответа в ранние сроки после экспериментального воздействия. Уже на 1-е сутки отмечается значительное увеличение сегментоядерных нейтрофилов, что отражает активацию врожденного иммунитета и мобилизацию костномозгового пула. Снижение уровня моноцитов и лимфоцитов на этом этапе указывает на перераспределение клеточных ресурсов в сторону нейтрофильного звена. На 3-и сутки фиксируется пик нейтрофильного ответа с максимальным увеличением сегментоядерных форм и появлением гиперсегментоядерных нейтрофилов, что может свидетельствовать о продолжающемся воспалительном процессе и активации гранулоцитарного звена. Одновременно наблюдается резкое падение числа лимфоцитов, отражающее иммуносупрессивный компонент воспалительного ответа. Повышение доли моноцитов на данном этапе можно интерпретировать как начало компенсаторных процессов, связанных с активацией фагоцитарного звена и запуском репаративных механизмов. К 7-м суткам отмечается снижение доли нейтрофилов и частичное восстановление лимфоцитарного пула, что указывает на постепенное затухание острой воспалительной реакции и переход к хронической фазе иммунного ответа. Однако уровень нейтрофилов остается выше контрольных значений, а лимфоцитов — ниже, что свидетельствует о сохраняющемся воспалительном дисбалансе.

Сравнение данных ручного подсчета и анализа с использованием DINO-SwinL демонстрирует высокую степень сопоставимости результатов, что подтверждает надежность применения автоматизированных систем в исследовании динамики клеточного состава крови [3]. Однако, разница в подсчетах ручным методом и с помощью компьютерного зрения обусловлена различиями в представленности классов клеток в обучающей выборке [4].  Совокупность полученных данных подчеркивает ключевую роль нейтрофилов в ранней фазе воспаления, а также критическую важность лимфоцитарного звена для восстановления иммунного гомеостаза на поздних этапах. Кроме того, результаты подтверждают растущий интерес к использованию методов искусственного интеллекта для анализа морфологических характеристик клеток крови [5].

Заключение. Таким образом, полученные данные отражают типичную картину острого воспалительного процесса, нейтрофилии и лимфоцитопении, при ЧМТ. Повышения значимости врожденного иммунитета и снижение приобретенного. Модель DINO-SwinL показала совместимость результатов подсчета по сравнению с ручным подсчетом для оценки лейкоцитарной формулы при ЧМТ.

Источники финансирования. Работа выполнена при финансовой поддержке гранта Министерства науки и высшего образования РФ № FZNE-2024-0004.

Список литературы:

1. Liu S., Zeng Z., Ren T., Li F., Zhang H., Yang J. et al. Grounding dino: Marrying dino with grounded pre-training for open-set object detection // European Conference on Computer Vision. – Cham : Springer Nature, 2024. – P. 38–55. – DOI: 10.48550/arXiv.2303.05499.
2. He X., Zhao K., Chu X. AutoML: A survey of the state-of-the-art // Knowledge-Based Systems. – 2021. – Vol. 212. – P. 106622. – DOI: 10.1016/j.knosys.2020.106622.
3. Kobara Y.M., Akpan I.J., Nam A.D. et al. Artificial Intelligence and Data Science Methods for Automatic Detection of White Blood Cells in Images // Journal of Digital Imaging. Informatics in Medicine. – 2025. – DOI: 10.1007/s10278-025-01538-y.
4. Cross J.L., Choma M.A., Onofrey J.A. Bias in medical AI: Implications for clinical decision-making // PLOS Digital Health. – 2024. – Vol. 3, № 11. – P. e0000651. – DOI: 10.1371/journal.pdig.0000651.
5. Haider Z., Mughal J., Ahmed N., Munir A., Erber W.N., Ujjan I.-U., Khan N. Blood Count Scattergrams Are Fingerprints of Blood: Using AI to Inform Health Status // Blood. – 2023. – Vol. 142, Suppl. 1. – P. 5034. – DOI: 10.1182/blood-2023-188613.