一个可解释的基于深度学习的功能融合模型,用于急性淋巴细胞白血病诊断和严重程度评估
Hajra Khan1, Muhammad Zaheer Sajid2, Nauman Ali Khan1
1Department of Computer Software Engineering, Military College of Signals, National University of Science and Technology, Islamabad, Pakistan.
Frontiers in medicine
|January 1, 2026
概括
一个新的深度学习模型,XIncept-ALL,准确地检测和分类急性淋巴细胞白血病 (ALL) 严重程度. 这种人工智能工具有助于早期诊断和治疗计划这一关键的血液癌症.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 血液学 血液学 血液学
背景情况:
- 急性淋巴细胞白血病 (ALL) 是一种普遍存在的儿童血液癌症,需要精确的诊断.
- 目前的诊断方法可能耗时,可以从自动化分析中获益.
- 早期检测和严重程度分类对于有效的ALL治疗和改善患者结果至关重要.
研究的目的:
- 开发和评估一种新的深度学习框架,XIncept-ALL,用于自动检测和分类ALL严重程度.
- 通过功能融合和数据增强来增强模型的稳定性和通用性.
- 通过使用Grad-CAM可视化,提供对模型预测的可解释性见解.
主要方法:
- 通过整合InceptionV3和Xception网络,创建了一个深度学习框架 (XIncept-ALL).
- 使用数据自动增强技术来解决类不平衡并防止过度拟合.
- 使用Grad-CAM可视化ALL细胞图像中的歧视性区域.
- 使用XGBoost分类器将提取的特征分为四个严重程度:良性,早期,预期和专业.
主要成果:
- 在外部数据集上,XIncept-ALL模型实现了高平均准确率99.5%.
- 该模型在分类所有严重程度水平方面表现出卓越的表现.
- Grad-CAM可视化证实,该模型专注于临床相关的特征,增强可解释性.
结论:
- XIncept-ALL框架提供了一种高效,可扩展和实用的方法,用于在ALL中使用AI驱动的医学图像分析.
- 该模型显示了支持临床决策和通过准确和可解释的诊断来改善患者结果的巨大潜力.
- 这一进步有助于开发针对急性淋巴细胞白血病的可靠的计算机辅助诊断系统.
