Video Experimental Relacionado
Updated: Jan 7, 2026
Flow Cytometry to Estimate Leukemia Stem Cells in Primary Acute Myeloid Leukemia and in Patient-derived-xenografts, at Diagnosis and Follow Up
Published on: March 26, 2018
Un modelo explicable de aprendizaje profundo basado en fusión de características para el diagnóstico y la evaluación
Hajra Khan1, Muhammad Zaheer Sajid2, Nauman Ali Khan1
1Department of Computer Software Engineering, Military College of Signals, National University of Science and Technology, Islamabad, Pakistan.
Un nuevo modelo de aprendizaje profundo, XIncept-ALL, detecta y clasifica con precisión la gravedad de la leucemia linfoblástica aguda (LLA). Esta herramienta de IA ayuda en el diagnóstico temprano y la planificación del tratamiento para este cáncer de sangre crítico.
Área de la Ciencia:
- Imágenes Médicas
- Inteligencia Artificial
- Hematología
Sus antecedentes:
- La leucemia linfoblástica aguda (LLA) es un cáncer de sangre infantil prevalente que requiere un diagnóstico preciso.
- Los métodos de diagnóstico actuales pueden consumir mucho tiempo y beneficiarse del análisis automatizado.
- La detección temprana y la clasificación de la gravedad son cruciales para un tratamiento eficaz de la LLA y la mejora de los resultados de los pacientes.
Objetivo del estudio:
- Desarrollar y evaluar un nuevo marco de aprendizaje profundo, XIncept-ALL, para la detección y clasificación automatizada de la gravedad de la LLA.
- Mejorar la robustez y generalización del modelo a través de la fusión de características y la aumento de datos.
- Proporcionar información interpretable sobre las predicciones del modelo utilizando visualizaciones de Grad-CAM.
Principales métodos:
- Se creó un marco de aprendizaje profundo (XIncept-ALL) integrando las redes InceptionV3 y Xception.
- Se utilizaron técnicas de autoaumento de datos para abordar el desequilibrio de clases y prevenir el sobreajuste.
- Se empleó Grad-CAM para visualizar regiones discriminatorias en imágenes de células de LLA.
- Se utilizó un clasificador XGBoost para clasificar las características extraídas en cuatro niveles de gravedad: Benigno, Temprano, Pre y Pro.
Principales resultados:
- El modelo XIncept-ALL logró una alta precisión promedio del 99,5% en un conjunto de datos externo.
- El modelo demostró un rendimiento superior en la clasificación de los niveles de gravedad de la LLA.
- Las visualizaciones de Grad-CAM confirmaron que el modelo se enfoca en características clínicamente relevantes, mejorando la interpretabilidad.
Conclusiones:
- El marco XIncept-ALL ofrece un enfoque eficiente, escalable y práctico para el análisis de imágenes médicas impulsado por IA en la LLA.
- El modelo muestra un potencial significativo para respaldar la toma de decisiones clínicas y mejorar los resultados de los pacientes a través de diagnósticos precisos e interpretables.
- Este avance contribuye al desarrollo de sistemas de diagnóstico asistido por computadora confiables para la leucemia linfoblástica aguda.
