DSCNet:深度跳过基于连接的密集网络,用于所有诊断,使用外周血液涂抹图像
Manjit Kaur1, Ahmad Ali AlZubi2, Arpit Jain3
1School of Computer Science and Artificial Intelligence, SR University, Warangal 506371, India.
Diagnostics (Basel, Switzerland)
|September 9, 2023
概括
一个新的深度学习模型,DSCNet,提高了从血液涂抹图像诊断急性淋巴细胞白血病 (ALL) 的准确性. 这种人工智能方法提供了更快,更可靠的检测,以获得更好的患者结果.
科学领域:
- 血液学 血液学 血液学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 急性淋巴细胞白血病 (ALL) 是一种严重的血液癌症,需要及时诊断.
- 手动ALL诊断是缓慢的,可能会阻碍及时治疗.
- 现有的ALL诊断的深度学习 (DL) 模型面临着复杂性和对图像质量的敏感性等挑战.
研究的目的:
- 开发一个新的深度学习网络,DSCNet,使用外周血液涂抹图像进行准确的ALL诊断.
- 克服当前DL方法在ALL检测中的局限性.
主要方法:
- 提出了一个基于深跳连接的密集网络 (DSCNet) 架构.
- 集成的跳过连接,自定义的图像过,KL分歧损失和丢失规范化.
- 在对ALL外周血液涂抹图像的增强数据集上训练和评估DSCNet.
主要成果:
- 与现有方法相比,DSCNet表现出优越的性能.
- 在精度 (1.25%),灵敏度 (1.32%),特异性 (1.12%),F-score (1.24%) 和AUC (1.23%) 中取得了显著的改进.
结论:
- DSCNet显示出作为早期和准确的ALL诊断的有效工具的巨大潜力.
- 该模型的性能表明,该模型可用于改善患者的治疗结果和促进白血病检测研究的临床应用.
