通过预训练深度神经网络对急性髓性白血病的分类:与不同的激活功能进行比较
Aswathy Elma Aby1, S Salaji2, K K Anilkumar1
1Department of Electronics & Communication, Cochin University College of Engineering Kuttanad, Cochin University of Science And Technology, Pulincunnu P.O., Alappuzha District, Kerala 688504, India.
Medical engineering & physics
|February 8, 2025
概括
这项研究表明,卷积神经网络 (CNN) 可以自动化急性髓性白血病 (AML) 亚型分类. GELU激活功能实现了最高的准确性,证明了CNN的准确性.
科学领域:
- 血液学 血液学 血液学
- 计算生物学 计算生物学
- 医疗成像医学成像
背景情况:
- 急性髓性白血病 (AML) 是一种快速进展的癌症,需要精确的亚型分类才能有效治疗.
- 目前的手动分类方法耗时且可变.
- 传统的机器学习模型在 AML 分类的特征提取和概括方面面临着挑战.
研究的目的:
- 评估CNN架构 (VGG16,InceptionV3,ResNet50v2) 在使用外周血液涂抹图像对AML亚型的分类中的有效性.
- 调查各种激活功能对AML分类准确性和培训时间的影响.
主要方法:
- 周围血液涂抹图像被用于训练和测试CNN模型:VGG16,InceptionV3和ResNet50v2.2.
- 该研究比较了这些架构中不同激活函数 (GELU,SELU,Mish,Softplus,Softsign) 的性能.
- 关键的绩效指标包括分类准确性和培训时间.
主要成果:
- ResNet50v2的训练时间最短,而InceptionV3的训练时间最长.
- 该GELU激活功能产生了最高的准确性 (InceptionV3的94.02%,ResNet50v2的92.53%).
- 与VGG16相比,SELU获得了92.83%的准确性;与GELU相比,Mish提供了与GELU相比较短的培训时间,具有竞争力的准确性.
结论:
- 在AML亚型分类的自动化方面,CNN显示出显著的潜力,改进了手工方法.
- 在经过测试的GELU激活功能中,GELU被确定为AML亚型分类中最有效的.
- 结合数据增强和注意力机制的进一步研究可以提高分类性能.


