使用单个血细胞图像进行急性髓性白血病亚型分类
Rhea Chainani1, Ramitha Vimala1, Sakshi Sah1
1Symbiosis Institute of Technology, Symbiosis International (Deemed University), Lavale, Pune, Maharashtra, 412115, India.
Discover oncology
|December 9, 2025
概括
这项研究引入了一种用于检测急性髓性白血病 (AML) 和其亚型的新方法,使用AI对血液细胞图像. 该方法在从健康样本中识别AML方面取得了很高的准确性.
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:
- 急性髓性白血病 (AML) 是一种复杂的血液癌症,需要精确的亚型识别才能治疗.
- 当前的诊断方法可能是劳动密集型的,并可能从先进的计算方法中受益.
研究的目的:
- 开发和验证一种新的AI驱动的框架,用于准确检测和分类急性髓性白血病 (AML) 的亚型.
- 增强基于图像的AML诊断在不同数据集中的稳定性和通用性.
主要方法:
- 一个采用定制卷积神经网络 (CNN) 和机器学习算法的两步分类策略.
- 采用"合集合集"的方法,使用软投票来提高分类准确度.
- 实施预处理管道,包括染色规范化和亮度校正,以处理数据集的变化.
主要成果:
- 单细胞分类器实现了94.7%的准确性,95.2%的精度和94.8%的F1分数.
- 拟议的组合模型在区分健康和AML患者方面表现出94%的准确性.
- 多个实例学习和伪标签的探索提供了比较的见解.
结论:
- 开发的框架显示了对准确的,基于图像的AML检测和亚型分类的重大承诺.
- 该方法为推进自动化血液学诊断提供了实际基础.
- 通过预处理和交叉数据集验证来解决域转移对于现实世界的适用性至关重要.
