使用深度特征融合用于自动白血病分类:医疗事物互联网-启用深度学习框架
Md Manowarul Islam1, Habibur Rahman Rifat1, Md Shamim Bin Shahid1
1Department of Computer Science and Engineering, Jagannath University, Dhaka 1100, Bangladesh.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
这项研究介绍了一种使用深度学习的AI驱动框架,可以从血液图像中自动检测白血病. 这种新型的融合模型实现了高精度,为急性淋巴细胞白血病 (ALL) 提供了更快,更有效的诊断工具.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
- 计算生物学 计算生物学
背景情况:
- 诊断急性淋巴细胞白血病 (ALL) 是具有挑战性的,需要耗时和昂贵的专家测试.
- 早期发现ALL对于及时和有效的治疗启动至关重要.
- 人工智能 (AI) 和物联网 (IoT) 的进步为诊断提供了新的可能性.
研究的目的:
- 引入基于人工智能的医疗物联网 (IoMT) 框架,用于从外周血液涂抹 (PBS) 图像中自动检测白血病.
- 开发和评估基于深度学习的融合模型,用于准确的ALL分类.
- 为了提高白血病诊断的速度和效率.
主要方法:
- 开发了一个融合深度学习模型,利用两个输入道:原始和细分的PBS图像.
- VGG16和DenseNet-121分别用于从原始和细分图像中提取特征.
- 该模型在89个个人的6512张图像上进行了训练,并对分类性能进行了评估.
主要成果:
- 拟议的融合模型实现了高诊断精度 (99.89%),精度 (99.80%),和回忆 (99.72%).
- 该模型与几种最先进的卷积神经网络 (CNN) 模型相比,表现出更高的性能.
- 开发了一个Web应用程序 (Beta版本) 来模拟白血病检测方法.
结论:
- 开发的基于人工智能的IoMT框架和融合模型显示出对准确高效的白血病检测有很大的潜力.
- 这种方法有可能挽救生命,减少诊断工作.
- 这些发现对推进生物医学研究中的计算机辅助白血病检测有意义.
