一种基于深度学习的新方法,使用灰狼优化进行超参数选择,用于白血病分类和血液恶性瘤检测
Shams Ur Rehman1, Robertas Damaševicius2, Hassan Al Sukhni3
1Department of Computer Science, NUTECH University, Islamabad, Pakistan.
PeerJ. Computer science
|September 24, 2025
概括
这项研究引入了用于白血病分类的自动深度学习框架,提高了诊断准确度. 这种新的方法增强了微观图像,并利用先进的神经网络进行精确的癌症检测.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 传统的白血病诊断依赖于血液涂抹的手动显微镜分析,这是主观的,容易出错.
- 需要自动化方法来提高白血病诊断的准确性和效率.
研究的目的:
- 从显微镜图像开发和评估用于自动化白血病分类的深度学习框架.
- 提高图像质量和利用先进的AI模型来提高诊断性能.
主要方法:
- 一个新的轻量级算法,使用过度的正弦函数来增强对比度.
- 一个定制的卷积神经网络 (CNN) 模型,包含一个并行倒置的双重自我注意网络 (PIDSAN4) 和一个微小的视觉变换器 (ViT).
- 使用灰狼优化进行超参数调整,用于模型训练.
主要成果:
- 拟议的模型实现了高性能指标:0.913准确度,0.892灵敏度,0.925特异性,0.883精度,0.894F测量和0.901G平均值.
- 与先进的预训练模型进行比较,表明拟议框架的精度更高.
- 自动化系统提供了一个更客观,潜在的更快的诊断方法.
结论:
- 开发的深度学习框架显示了准确和自动化白血病诊断的巨大潜力.
- 这种方法可以克服传统手工方法的局限性,从而改善患者的治疗结果.
- 进一步的研究可以探索将其整合到临床工作流程中,以便在现实世界中应用.
