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

对于临床应用而言，深度学习模型的解释性尤为重要，尤其是在自动化系统的决策具有深远影响的情况下。本文评估了一种名为 ReluFormer 的 Transformer 模型在 Flow CytoMetry（FCM）数据上的应用，提出了一种针对 FCM 的基于梯度和注意力的可视化技术，并通过儿科急性淋巴细胞白血病（ALL）FCM 样本的细胞分类和多边形回归进行了定性评估，结果展示了模型的决策过程以及如何利用所提出的技术来检查已训练模型的情况。梯度可视化不仅能够识别对特定预测最重要的细胞，还能指示在 FCM 特征空间中，哪些变化对预测影响最大。而注意力可视化则提供了有关 Transformer 在处理 FCM 数据时的决策过程的洞察，我们展示了不同的注意力头在关注不同的生物学意义的子种群上具有专门化的能力，尽管在训练过程中该模型仅利用了监督二元分类信号。

Jul, 2023

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。

Jul, 2022

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

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

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

新提出 SCKansformer 模型在骨髓血液细胞方面具有更高的分类准确性和效率，超过传统和先进的微细胞分类方法。

Jun, 2024

根据病人的生存预测，本研究提供了数据分析和可解释的机器学习模型，以支持确定最适合的治疗方案；该研究的结果表明，这一模型能够安全地支持专家的决策，并有潜力开展新的研究方向，以改善治疗和预测标志物。

Jul, 2023

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

通过视觉变换器为高分辨率 WSI 从研究多模态分类器训练的 DLBCL（弥漫性大 B 细胞淋巴瘤）癌症亚型提出了一个前景恶劣，比现有的替代方法更便宜，更快速。

Aug, 2023