工程特征嵌入与深度学习相遇:一种新的策略来改善骨髓细胞分类和模型透明度.
Jonathan Tarquino1, Jhonathan Rodríguez1, David Becerra2
1Computer Imaging and Medical Application Laboratory, Universidad Nacional de Colombia, Bogotá 111321, Colombia.
Journal of pathology informatics
|December 23, 2024
概括
这项研究引入了一种新的深度学习方法,使用区域注意嵌入用于自动骨髓细胞评估,提高血液病的诊断准确性.
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:
- 手动细胞形态学评估骨髓细胞对于诊断血液病至关重要,但耗时且可能是瓶.
- 目前用于细胞评估的深度学习模型通常专注于有限的亚型,缺乏可解释性.
研究的目的:
- 开发一种使用深度学习和增强可解释性的骨髓细胞评估的自动化方法.
- 提高21种骨髓细胞亚型的综合组的分类性能.
主要方法:
- 通过在矩阵内组织细胞学特征来设计一种新的"区域注意嵌入",从而保持细分细胞区域 (细胞质,细胞核,整个细胞) 的空间关系.
- 将这种嵌入与深度学习网络 (Xception,ResNet50) 集成,以提供对图像区域的可解释见解,从而有助于预测.
- 在一个大型的公共数据库 (89484个培训,22371个测试图像) 中评估了21种细胞亚型的方法,使用三重交叉验证.
主要成果:
- 区域关注嵌入与深度学习网络相结合,在验证集上获得了0.82的f1得分,超过了以前的方法.
- 该策略在一个看不见的测试集上展示了竞争性表现,获得了0.56.6的f1得分.
- 该方法通过突出显示相关图像区域,提供可解释的信息.
结论:
- 拟议的区域关注嵌入策略显著提高了基于深度学习的骨髓细胞分类准确性和可解释性.
- 这种方法为自动化血液病诊断提供了一个有希望的解决方案,解决了手动评估的局限性.
