自动检测急性白血病 (ALL和AML) 使用定制深度图形卷积神经网络

科学领域:

• 医疗成像医学成像
• 计算生物学 计算生物学
• 机器学习 机器学习

背景情况:

• 白血病是一种血液癌症,具有重大健康风险,包括感染和死亡率.
• 早期诊断白血病对于有效治疗和改善患者的治疗结果至关重要.
• 机器学习和深度学习为提高诊断准确性提供了有希望的途径.

研究的目的:

• 开发一种自动化,端到端的深度学习模型,用于诊断急性淋巴细胞白血病 (ALL) 和急性髓性白血病 (AML).
• 评估模型的性能,对噪声的适应性,以及作为临床决策支持工具的潜力.

主要方法:

• 设计了一个新的深度模型架构,将图形理论与卷积神经网络 (CNN) 融合在一起.
• 该模型包含六个图形卷积层和一个用于分类的Softmax层.
• 从44名患者的670张ALL和AML图像的数据集被用于培训和验证.

主要成果:

• 拟议的深度模型在ALL和AML方面实现了99%的高分类准确性.
• 获得了0.85的kappa系数,表明了对分类的强烈一致.
• 该模型在噪音条件下表现出显著的弹性,在0dB的信号噪音比率 (SNR) 中保持超过90%的准确性.

结论:

• 开发的深度学习模型在区分ALL和AML方面表现出卓越的准确性和稳定性.
• 它对噪声的抵御性表明它在各种临床成像场景中具有实际适用性.
• 该模型有可能成为一个有价值的工具,帮助临床医生在急性白血病亚型的早期和准确诊断.