人工智能和白血病诊断数据集:对机器学习和深度学习方法的范围审查

科学领域:

• 血液学 血液学 血液学
• 计算生物学 计算生物学
• 医疗成像医学成像

背景情况:

• 白血病是一种严重的血液癌症,需要及时诊断.
• 像骨髓活检这样的传统方法是侵入性的,耗时的.
• 人工智能 (AI) 提出了用于自动化白血病检测的先进解决方案.

研究的目的:

• 审查最近的机器学习 (ML) 和深度学习 (DL) 方法用于白血病诊断.
• 使用公共数据集分析基于图像的AI技术.
• 确定人工智能驱动的白血病诊断方面的挑战和未来研究方向.

主要方法:

• 审查ML和DL模型,包括卷积神经网络 (CNN),ResNet,DenseNet,MobileNet和集体方法.
• 强调基于图像的分析,使用ALL-IDB,C-NMC,AML_Cytomorphology_LMU,SN-AM和CPTAC-AML等数据集.
• 探索人工智能应用在分类白血病从周围血液涂抹和骨髓图像.

主要成果:

• 人工智能,特别是DL模型,表明了自动化,精确的白血病检测和分类的潜力.
• 像CNNs,ResNet和DenseNet这样的各种架构在分析细胞形态学方面表现有前途.
• 公共可用的数据集对于培训和验证这些AI模型至关重要.

结论:

• 人工智能为克服传统白血病诊断的局限性提供了一个有希望的途径.
• 解决数据集不平衡和染色变性等挑战是临床翻译的关键.
• 未来的工作应该集中在可解释的人工智能,轻量级模型和世卫组织2022年分类对齐上.