Jul, 2022

使用深度神经网络从显微镜血液涂片图像自动检测急性淋巴细胞白血病亚型

PDF
TL;DR本研究提出了一种使用深度神经网络对镜下血片图像中不同形状急性淋巴细胞白血病细胞进行自动检测的自动化系统，并可检测多种 ALL 细胞亚型并具有 98％的准确性，并开发了远程诊断软件来提供即时的诊断支持。
leukemiaacute lymphoblastic leukemiaautomated systemdeep neural networkstelediagnosis software
发现论文，激发创造
  • 一种使用元启发式和深度学习方法的急性淋巴细胞白血病诊断模型

    一个基于 ResNet 的特征提取器用于检测急性淋巴细胞性白血病（ALL），结合各种特征选择器和分类器，通过多种迁移学习模型提取深层特征后，利用 MLP 分类器对选定数据集中的 ALL 和 HEM 进行分类，取得了卓越的 90.71％准确性和 95.76％的敏感性，并且在该数据集上优于其他方法。

    Jun, 2024

  • 诊断急性淋巴细胞白血病敏感相关生物标志的新型流程

    我们提出了一个新的诊断急性淋巴细胞白血病的流程，通过模拟血液学家的工作流程，对疾病生物标记物敏感并在 ALL IDB1 上实现 96.15% 的准确率、94.24% 的 F1 分数、97.56% 的敏感度和 90.91% 的特异性，该方法还在一个具有挑战性的数据集上表现良好，并且我们的模型是用相对较小的数据集训练的，突显了我们方法在其他具有有限数据可用性的医学数据集中的潜力。

    Jul, 2023

  • 使用迁移学习方法的能够解释的人工智能在诊断和预测白血病中的应用

    利用深度学习技术，提出了一种自动化检测急性淋巴细胞白血病的计算机辅助诊断方法，该方法使用多个转移学习模型进行 ALL 分类，并通过本地可解释性模型的背书验证了其准确性，为医疗实践者提供了有价值的工具，突出了可解释人工智能在医学诊断中的影响。

    Dec, 2023

  • 使用自编码器进行白血病诊断的自动化：一项比较研究

    本研究使用深度学习中的自动编码器来提取包含在患者关键参数中的有价值信息，以提高白血病诊断的准确性，通过比较传统机器学习模型，结果表明我们提出的方法在准确性和 F1 得分指标上比其他机器学习模型提升了超过 11%。

    Dec, 2023

  • SDCT-AuxNet$^θ$: DCT 增强染色去卷积 CNN 附加分类器用于癌症诊断

    本文提出了一种新的深度学习体系结构，以分类 ALL 癌细胞图像，并利用卷积神经网络和核 SVM 多模块框架进行预测，并在公共数据集上获得了最佳的加权 F1 得分。

    May, 2020

  • 一个大规模多领域白血细胞形态特征解释能力的白血病数据集

    提供了一个全面真实且大型的数据集，以便于淋巴细胞白血病的早期诊断，通过使用不同成本和放大率的两个显微镜进行数据收集，并提供了基线模型以及基于形态学信息的属性预测。

    May, 2024

  • 利用 Set-Transformers 自动进行儿童急性白血病免疫表型评估

    FCM-Former 是一个自动化儿童急性白血病免疫表型评估的机器学习、自注意力基础的流式细胞分析工具，准确度达 96.5%，利用流式细胞数据为每个样本分配细胞系，是首个使用 FCM 数据自动化免疫表型评估儿科急性白血病的工作。

    Jun, 2024

  • 机器学习模型对白细胞分类的综述

    通过机器学习和深度学习模型应用于医学图像分析，本研究主要关注白细胞分类的现代技术，并提供了有关最常用的技术和最佳白细胞分类方法的宝贵见解，同时指出了数据集可用性、研究人员医学培训和使用高级深度学习网络的挑战。

    Aug, 2023

  • LymphoML: 一种可解释的基于人工智能的方法发现与淋巴瘤亚型相关的形态特征

    利用 H&E 染色组织精确分类淋巴瘤亚型的方法是复杂的，本研究提出了 LymphoML - 一种可解释的机器学习方法，它识别与淋巴瘤亚型相关的形态特征，通过处理 H&E 染色组织微阵列核心、分割细胞核和细胞、计算包括形态学、纹理和结构的特征，并训练梯度增强模型进行诊断预测。LymphoML 的可解释模型在有限量的 H&E 染色组织上达到了与病理学家使用全层切片图像相当的诊断准确性，并在跨越 8 个淋巴瘤亚型的 670 个病例的危地马拉数据集上胜过黑匣子深度学习。通过 SHapley Additive exPlanation (SHAP) 分析，我们评估了每个特征对模型预测的影响，并发现核形状特征对 DLBCL（F1 得分：78.7%）和典型霍奇金淋巴瘤（F1 得分：74.5%）最具鉴别性。最后，我们首次证明了将 H&E 染色组织特征与标准化的 6 种免疫染色特征相结合的模型具有类似的诊断准确性（85.3%）与 46 种免疫染色特征的模型（86.1%）。

    Nov, 2023

  • BloodCell-Net: 人体所有微观血细胞图像的轻量级卷积神经网络分类

    通过深度学习方法，我们提出了一种自动化的血细胞分类和计数系统，利用 U-Net 模型进行血细胞分割，并应用 BloodCell-Net 方法对血细胞进行分类，实现了令人印象深刻的性能指标。

    Apr, 2024