有效的卷积神经网络用于计算机视觉中的急性淋巴细胞白血病预测
S B Mohan1, S Sathya2, S Rajalakshmi3
1Department of Electronics Engineering, S.A.Engineering College, Chennai, 600077, India.
Scientific reports
|December 16, 2025
概括
这项研究开发了一套集体深度学习框架,用于诊断急性淋巴细胞白血病 (ALL). 人工智能模型显著提高了诊断的准确性和速度,为血液学中的临床决策支持提供了宝贵的工具.
科学领域:
- 血液学 血液学 血液学
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 急性淋巴细胞白血病 (ALL) 是一种严重的血液恶性瘤,诊断时间会影响生存率.
- 现有的ALL诊断的深度学习模型面临临临床可靠性的局限性,原因是单一模型依赖,数据集不平衡和缺乏统计验证.
研究的目的:
- 为改善急性淋巴细胞白血病诊断提出一个强大的整体框架.
- 为了提高AI驱动的血液恶性瘤医学图像分析的临床可靠性和准确性.
主要方法:
- 开发了一个整体框架,集成预训练的卷积神经网络 (CNN),如DenseNet-121和ResNet-34,用于特征提取.
- 使用了机器学习分类器,包括支持向量机 (SVM),K-最近邻居 (KNN),随机森林 (RF),AdaBoost和反向传播网络 (BPN).
- 该框架在C-NMC白血病数据集上进行了评估,包括10,661张图像.
主要成果:
- 整体模型实现了92.5%的准确性和93.1%的F1得分,超过了个别的CNN模型 (DenseNet-1215.6%,ResNet-346.3%).
- 在各分类器中记录了0.975的曲线下的最高面积 (AUC).
- 通过t-test和Wilcoxon测试证实了统计学显著性 (p < 0.05),验证了模型的性能改进.
结论:
- 拟议的整体框架显示了作为ALL诊断的自动化临床决策支持工具的巨大潜力.
- 这种方法减少了手动解释错误,加快了诊断,提高了血液学中的现实应用性.
- 将CNN深度功能与整体机器学习相结合,可以提高临床工作流程中的稳定性,灵敏性和整体性能.
