使用混合深度学习和机器学习与基于CNN的特征提取的多类白血病细胞分类

科学领域:

• 计算生物学和生物信息学
• 医学成像和诊断 医学成像和诊断
• 医疗保健中的人工智能

背景情况:

• 白血病是一种流行性血液癌症,需要早期和准确的诊断才能进行有效的治疗.
• 作为关键诊断工具的外周血液涂抹分析面临主观解释和专业知识限制的挑战.
• 使用深度学习的白血病亚型的多类分类受到有限的数据和形态相似性的阻碍.

研究的目的:

• 开发一种新的混合方法,用于对白血病亚型进行强大的多类分类.
• 为了解决白血病亚型识别中的数据稀缺性和形态相似性.
• 提高白血病诊断的速度和可靠性,以改善患者护理.

主要方法:

• 一种混合方法,将预先训练的卷积神经网络 (CNN) (VGG16,InceptionV3,ResNet50) 结合起来,用于特征提取.
• 与高级分类器集成:随机森林 (RF),支持向量机 (SVM),极端梯度增强 (XGBoost) 和多层感知器 (MLP).
• 使用公开可用的数据集:急性淋巴细胞白血病图像数据库 (ALL-IDB) 和慕尼黑AML形态数据集.

主要成果:

• InceptionV3 + SVM组合实现了最高的准确度,达到88%.
• VGG16 + XGBoost表现出强的性能,准确度为87%.
• 基于MLP的模型在捕获非线性数据模式方面表现出有效性;ResNet50面临过拟合问题.

结论:

• 混合方法为白血病亚型识别提供了一个可扩展和精确的工具,特别是在数据受限的环境中.
• 与传统方法相比,这种方法显著提高了诊断的速度和可靠性.
• 这项研究强调了将深度学习与混合分类相结合的潜力,以加强白血病诊断中的临床决策.