人工智能驱动的急性淋巴细胞白血病癌在组织病理图像中的自动和早期诊断:一个强大的SqueezeNet增强机器学习框架

科学领域:

• 在瘤学瘤学.
• 计算生物学 计算生物学
• 医疗成像医学成像

背景情况:

• 急性淋巴细胞白血病 (ALL) 是一种流行且致命的癌症,需要早期和精确的检测.
• 组织病理学图像分析对于ALL诊断至关重要,但在复杂性和分类方面存在挑战.
• 现有的诊断方法可能缺乏及时干预所需的精度.

研究的目的:

• 开发和评估一个强大的SqueezeNet增强的机器学习框架,用于在组织病理图像中对ALL进行自动查和分类.
• 将深度学习 (DL) 与传统的机器学习 (ML) 模型集成,以提高诊断准确度.
• 为准确的ALL诊断提供可靠的工具,有助于及时启动治疗.

主要方法:

• 一个深度学习 (DL) 模型SqueezeNet被增强了三个机器学习 (ML) 模型:神经网络 (NN),后勤回归 (LR) 和随机森林 (RF).
• 该框架的设计是为了对组织病理图像进行自动查和分类.
• 使用诸如分类准确度 (CA),混矩阵 (CM),校准图 (CP) 和接收器操作特征 (ROC) 分析等指标来评估性能.

主要成果:

• 拟议的SqueezeNet增强的ML框架实现了急性淋巴细胞白血病的高分类准确率 (CA) 为99.3%.
• 通过CM,CP和ROC分析的验证证实了诊断方法的稳定性和可靠性.
• 对比分析表明,与以前的技术相比,性能优越.

结论:

• 开发的框架为急性淋巴细胞白血病的自动诊断提供了重大进展.
• 它的高准确性和强大的验证表明,它有可能通过实现更精确和及时的患者诊断来改变医疗保健.
• 这种工具可以促进早期的治疗选择,潜在地改善ALL患者的治疗结果.