基于多尺度特征提取和深度特征优化用于急性淋巴细胞白血病异常检测的混合深层网络模型

科学领域:

• 血液学 血液学 血液学
• 医学诊断 医学诊断 医学诊断
• 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) 是一个常见的儿童血液恶性瘤.
• 早期 ALL 诊断对于有效的癌症治疗和患者管理至关重要.
• 传统的ALL检测方法耗时,依赖于主观的专家解释.

研究的目的:

• 为了对ALL诊断的新型混合深度学习模型的性能进行比较分析.
• 开发一种自动化系统,准确检测和分类ALL细胞.
• 在速度和客观性方面克服传统诊断方法的局限性.

主要方法:

• 开发了一个混合深度学习模型,集成了Xception架构用于特征提取和Extreme Gradient Boosting (XGBoost) 进行分类.
• 使用以中心为基础的裁剪策略预处理血细胞图像,以删除不相关区域.
• 数据集被分为训练,验证和测试集,以进行可靠的模型评估.

主要成果:

• 拟议的混合模型在检测ALL时达到98.88%的高精度.
• 该模型在ALL检测方面表现出优越的性能,与现有的混合模型相比.
• 自动的特征提取和优化导致了更高的分类准确性.

结论:

• 开发的混合深度学习模型为ALL诊断提供了高度准确和高效的解决方案.
• 这种人工智能驱动的方法有可能在所有情况下显著提高医疗决策的速度和可靠性.
• 该研究强调了将深度学习架构与先进的分类器结合起来,以检测血液病的有效性.