有效的轻量级CNN用于B细胞急性淋巴细胞白血病的自动分类
Awaz M Abbas1, Maiwan Bahjat Abdulrazaq1, Adel Al-Zebari2
1Department of Computer Science, College of Science, University of Zakho, Zakho, Kurdistan Region, Iraq.
Computational biology and chemistry
|August 22, 2025
概括
一个新的轻量级卷积神经网络 (CNN) 从周围血液涂抹图像准确地分类B细胞急性淋巴细胞白血病 (B-ALL). 这种高效的人工智能模型显示出早期临床诊断和改善患者结果的巨大潜力.
科学领域:
- 血液学
- 医学成像
- 人工智能
背景情况:
- 由于晚期诊断,B细胞急性淋巴细胞白血病 (B-ALL) 是一种快速进展的血液恶性瘤,其存活率降低.
- 周围血液涂抹 (PBS) 影像对初步B-ALL查至关重要,为计算机辅助诊断提供了基础.
- 目前的诊断方法可能昂贵且耗时,这凸显了对高效且易于使用的查工具的需求.
研究的目的:
- 开发一个轻量级的卷积神经网络 (CNN) 来从PBS图像中直接分类B-ALL亚型.
- 创建一个计算效率高的模型,避免需要预分段.
- 在反向剩余块中使用Squeeze-and-Excitation (SE) 模块增强特征表示.
主要方法:
- 设计了一种新的轻量级CNN架构,将SE模块纳入倒置剩余块.
- 该模型在PBS图像上进行了训练和评估,以进行B-ALL分类.
- 对独立数据集进行了交叉数据集验证,以评估可通用性.
- 使用Grad-CAM和LIME技术实现了模型的解释性.
主要成果:
- 拟议的CNN在初级数据集上实现了100%的准确性,精度,灵敏度,特异性,F1得分和MCC.
- 交叉数据集验证显示,在没有再培训的情况下,准确度高达99. 85%.
- 解释性方法成功突出了B-ALL的关键细胞特征.
结论:
- 开发的框架为自动化B-ALL分类提供了高度准确,资源高效和可解释的解决方案.
- 该模型的性能和通用性表明其在临床实践中用于早期诊断的强大潜力.
- 公开可用的代码有助于进一步研究和应用这种人工智能驱动的诊断工具.
更多相关视频
08:58Label-Free Identification of Lymphocyte Subtypes Using Three-Dimensional Quantitative Phase Imaging and Machine Learning
Published on: November 19, 2018
12.6K
09:01Flow Cytometry to Estimate Leukemia Stem Cells in Primary Acute Myeloid Leukemia and in Patient-derived-xenografts, at Diagnosis and Follow Up
Published on: March 26, 2018
14.1K
