ALL-Net:整合CNN和可解释AI,以改善急性淋巴细胞白血病的诊断和解释

科学领域:

• 计算生物学 计算生物学
• 医学成像分析 医学成像分析
• 人工智能在医学中的应用

背景情况:

• 急性淋巴细胞白血病 (ALL) 的诊断依赖于对外周血液涂抹 (PBS) 图像的专家分析.
• 准确有效的诊断工具对于及时治疗ALL至关重要.
• 深度学习模型提供了自动化和提高ALL检测准确性的潜力.

研究的目的:

• 开发和评估一个定制的卷积神经网络 (CNN) 模型,命名为ALL-Net,用于从PBS图像中自动检测ALL.
• 调查数据增强对改善ALL分类性能的影响,特别是对不平衡的数据集.
• 整合可解释的人工智能 (XAI) 技术,以提高ALL-Net模型预测的可解释性.

主要方法:

• 一个定制的CNN架构 (ALL-Net) 被设计和训练在一个数据集的3,256个PBS图像在四个类别 (良性和三个ALL亚型).
• 数据增强技术应用于良性类,以解决类不平衡.
• 局部可解释模型-不可知解释 (LIME) 算法用于XAI解释模型决策.

主要成果:

• 最初的ALL-Net模型实现了97.85%的测试精度.
• 在数据增强后,重新训练的ALL-Net模型达到99.32%的测试准确率,具有高精度 (99.35%),回忆 (99.33%) 和F1得分 (99.58%).
• 与多个已建立的CNN架构相比,ALL-Net表现出优越或可比的性能,与DenseNet201.1.相比,它提供了更低的复杂性和更快的结果.

结论:

• CNNs,特别是定制的ALL-Net模型,对于从PBS图像中准确检测ALL非常有效.
• 通过增强来解决数据不平衡对于优化医学诊断中的深度学习模型性能至关重要.
• 像LIME这样的XAI技术为深度学习模型的决策过程提供了宝贵的见解,减轻了"黑子"问题.