本文介绍了一种针对不同细胞域之间数据分布不平衡和因噪声、神经元元素变化等因素引起的域移动问题的深度卷积神经网络。该方法在精确识别细胞分类方面表现出色，为实验室和诊所的应用提供了坚实的基础。

Mar, 2023

LeukoGraph是一个使用图注意力网络（GATs）导航层次分类复杂性的框架，通过使用流式细胞仪数据导出的具有数百万个节点和边的图进行层次推理，达到了98%的F分数，具有很高的精度预测平坦和分层细胞类型。

Feb, 2024

该研究提出了FlowCyt，这是第一个针对流式细胞术数据进行多类单细胞分类的综合性基准。使用骨髓样本来对每个细胞的十二个标记进行表征，并通过监督感应学习和半监督传导学习在每个患者中最多使用100万个细胞进行实验。通过Gaussian混合模型，XGBoost，随机森林，深度神经网络和图神经网络（GNNs）等基准方法，GNNs通过利用图编码数据的空间关系展现出卓越的性能。该基准允许对临床相关的分类任务进行标准化评估，并进行探索性分析以洞察血液细胞表型，并且是第一个具有丰富注释的异质数据集的公开流式细胞学基准。它将促进单细胞分析新方法的开发和严格评估。

Feb, 2024

血液病学中，计算模型具有显著的潜力，以提高诊断准确性、简化工作流程，并减少分析外周血细胞或骨髓涂片中的单个细胞的乏味工作。为解决大数据量效应不明显、数据集规模小以及从自然图像转移学习性能差的问题，我们介绍DinoBloom，这是血液病学中首个基于单个细胞图像的基础模型，利用了定制的DINOv2流程。我们的模型基于13个多样化的公开数据集构建而成，包含了迄今为止最大的血液病学开源队列，包括超过380,000个白细胞图像的外周血和骨髓涂片。我们评估其泛化能力时，使用具有挑战性的域转移的外部数据集进行测试。我们展示了我们的模型在血液和骨髓涂片的细胞类型分类方面，在线性探测和K近邻评估，以及通过弱监督多实例学习对急性髓系白血病亚型进行分类方面，都优于现有的医学和非医学视觉模型。DinoBloom系列模型（small、base、large和giant）可以适应各种下游应用，并成为分类问题的一个强有力的基线，同时有助于评估新数据集中的大数据批次效应。所有模型均可在github.com/marrlab/DinoBloom上获取。

Apr, 2024

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

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

通过使用MaxVit，EfficientVit，EfficientNet，EfficientNetV2和MobileNetV3等最新的高效架构，本研究旨在评估这些模型在白细胞分类中的性能，为当前方法提供更高效、可靠的替代方案，并探索创新的深度学习模型在血液分析中的应用。

Jun, 2024

急性淋巴细胞性白血病（ALL）是一种影响白细胞的血液癌症，早期诊断和治疗对提高患者预后至关重要。本研究提出了一种二进制图像分类模型，用于辅助ALL的诊断过程。通过卷积神经网络结构和深度学习技术，我们的模型对血液样本的显微图像进行输入，并输出样本是否正常或患有癌症的二进制预测。实验结果显示，我们的方法达到了94.3%的准确率，并可作为血液学家预测患者发生ALL可能性的辅助工具。

Jul, 2024

本研究解决了急性淋巴细胞白血病（ALL）传统诊断技术的高成本和误差问题。通过采用卷积神经网络（CNN）进行特征提取并结合多种机器学习方法，研究提高了ALL的诊断准确性。研究发现，ResNet101模型以87%的准确率优于其他模型，显示出深度学习在医疗诊断中的潜力。

Sep, 2024