通过CBAM增强的VGG19深度学习改善急性淋巴细胞白血病的诊断
Syed Ijaz Ur Rahman1, Naveed Abbas1, Sikandar Ali2,3
1Department of Computer Sciences, Islamia College University, Peshawar, 25000, Pakistan.
Scientific reports
|February 25, 2026
概括
这项研究引入了一种深度学习模型,用于在骨髓图像中自动检测急性淋巴细胞白血病 (ALL). 该CBAM-VGG19框架实现了98.73%的准确性,为更快的诊断提供了一个有前途的工具.
科学领域:
- 计算病理学计算病理学
- 血液学中的人工智能
- 医疗图像分析 医学图像分析
背景情况:
- 针对急性淋巴细胞白血病 (ALL) 诊断的骨髓涂抹的手动审查是劳动密集和主观的.
- 自动化方法对于提高ALL检测和亚型的速度和准确性至关重要.
研究的目的:
- 开发和评估一个深度学习框架,用于从微观骨髓图像中自动检测和亚型 ALL.
- 用注意力机制来增强特征提取和分类准确性.
主要方法:
- 开发了一种混合CBAM-VGG19深度学习模型,将卷积块注意模块 (CBAM) 与VGG19骨干集成在一起.
- 该模型在骨髓图像中分层增强了形态特征,以改善ALL检测.
- 采用K折交叉验证来验证模型的性能.
主要成果:
- CBAM-VGG19模型实现了98.73%的分类精度,超过了其他领先的深度学习架构.
- 注意力机制显著改善了特征提取,学习速度和分类准确性,特别是对于类似的白血病亚型.
- 图像分辨率,超参数优化和CBAM层放置分析进一步增强了模型的融合和稳定性.
结论:
- 开发的深度学习框架在自动检测ALL和从骨髓图像中进行亚型化方面表现出高准确性.
- 虽然有希望,但该模型是一个研究原型,需要外部验证和更大的数据集用于临床应用.
- 这项工作为未来人工智能驱动的血液病理学的大规模多中心研究提供了基础.
