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

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

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

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

应用深度学习方法诊断白血病在发展中国家医疗中具有巨大的潜力，但由于数据稀缺和难以捕捉的异质性，深度学习模型需要应对过拟合的风险，本研究提出了一种异质性损失和非正统集成策略，取得了 C-NMC2019 数据集上 B-ALL 分类方面的最佳结果。

Mar, 2020

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

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

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

使用 HemaX 模型，通过五个属性（粒度、细胞质颜色、细胞核形状、相对红细胞大小和核质比）进行细胞分类、定位和分割，并以类似病理学家的解释进行解释，表现出令人印象深刻的分类准确性和细胞定位的 Jaccard 指数，并且在生成解释方面也表现良好。

Oct, 2023

使用深度学习来识别乳腺癌患者核心 - 针生物检查图像中腋窝淋巴结转移的状态，并通过评估性能和进行数据增强技术的研究来改进现有的方法。

Oct, 2023