自动骨髓细胞分类通过双重注意力门密集的神经网络
Kaiyi Peng1, Yuhang Peng1, Hedong Liao2
1Department of Clinical Hematology, Key Laboratory of Laboratory Medical Diagnostics Designated by the Ministry of Education, School of Laboratory Medicine, Chongqing Medical University, No. 1, Yixueyuan Road, Chongqing, 400016, China.
Journal of cancer research and clinical oncology
|September 23, 2023
概括
一个新的双重注意门密集网络 (DAGDNet) 模型显著提高了骨髓细胞分类准确度,用于诊断血液学疾病. 这种人工智能工具提高了诊断效率,并减少了临床环境中的误诊率.
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:
- 准确的骨髓细胞形态分析对于诊断恶性血液学疾病至关重要.
- 目前使用卷积神经网络的自动分类模型有希望,但缺乏临床精度.
- 低精度限制了自动骨髓细胞分类的广泛临床采用.
研究的目的:
- 开发一种新,高效,高精度的骨髓细胞分类模型.
- 提高骨髓细胞自动分类的性能,以提高诊断准确度.
主要方法:
- 通过将双重注意门 (DAG) 机制集成到DenseNet架构中,开发了一个双重注意门DenseNet (DAGDNet) 模型.
- DAG被用来过和强调DenseNet中的位置相关特征,旨在提高精度和回忆.
- 该模型使用来自重庆医科大学第一附属医院的骨髓细胞形态数据集,包括白血病样本和单独的骨髓细胞分类数据集进行了训练和验证.
主要成果:
- 拟议的DAGDNet在多中心数据集上表现出优越的性能,与DenseNet和ResNeXt等既有模型相比.
- 在慕尼黑白血病实验室数据集上,DAGDNet实现了88.1%的平均精度,建立了最先进的性能.
- 该模型保持了高效率,同时实现了最高级别的分类准确性.
结论:
- 该DAGDNet模型有效地提高了自动骨髓细胞分类的准确性.
- 这种人工智能工具可以在临床实践中作为一种有价值的辅助诊断工具.
- DAGDNet提供了一种有效的解决方案,可以快速检查许多骨髓细胞,减少诊断错误的可能性.
