[論文レビュー] A Diagnostic Model for Acute Lymphoblastic Leukemia Using Metaheuristics and Deep Learning Methods

Rahmani, Amir Masoud, P. Khoshaght+5 more|arXiv (Cornell University)|Jun 2, 2024

Digital Imaging for Blood Diseases被引用数 4

ひとこと要約

本研究では、ResNetに基づく深層特徴抽出、メタヒューリスティクスに基づく特徴選択（例：バイナリ・アリコロニー最適化）、および多層パーセプトロン（MLP）分類器を組み合わせたハイブリッド診断モデルを、急性リンパ性白血病（ALL）の診断に提案する。このモデルはC-NMC 2019データセットで90.71%の正解率と95.76%の感度を達成し、他の構成よりも優れており、自動化されたALL診断における強力な潜在能力を示している。

ABSTRACT

Acute lymphoblastic leukemia (ALL) severity is determined by the presence and ratios of blast cells (abnormal white blood cells) in both bone marrow and peripheral blood. Manual diagnosis of this disease is a tedious and time-consuming operation, making it difficult for professionals to accurately examine blast cell characteristics. To address this difficulty, researchers use deep learning and machine learning. In this paper, a ResNet-based feature extractor is utilized to detect ALL, along with a variety of feature selectors and classifiers. To get the best results, a variety of transfer learning models, including the Resnet, VGG, EfficientNet, and DensNet families, are used as deep feature extractors. Following extraction, different feature selectors are used, including Genetic algorithm, PCA, ANOVA, Random Forest, Univariate, Mutual information, Lasso, XGB, Variance, and Binary ant colony. After feature qualification, a variety of classifiers are used, with MLP outperforming the others. The recommended technique is used to categorize ALL and HEM in the selected dataset which is C-NMC 2019. This technique got an impressive 90.71% accuracy and 95.76% sensitivity for the relevant classifications, and its metrics on this dataset outperformed others.

研究の動機と目的

• 骨髄芽球細胞の分析に基づく手作業によるALL診断の時間のかかりすぎおよび誤りの多い性質に対処すること。
• 周辺血および骨髄画像からの急性リンパ性白血病の検出において、正確性と感度を向上させる自動化診断システムを開発すること。
• 強化された特徴選択および分類性能を実現するため、メタヒューリスティクス最適化をディープラーニングと統合すること。
• ALL分類の文脈において、複数のトランスファー学習モデルおよび特徴選択技術を評価・比較すること。

提案手法

• ALLおよび健康な血液球画像からの高レベル表現を学習するために、ResNetに基づく深層ニューラルネットワークを特徴抽出器として使用する。
• 特徴抽出性能を評価するため、ResNet、VGG、EfficientNet、DenseNetといった複数のトランスファー学習モデルを評価する。
• 次元削減および関連特徴の選択を目的として、遺伝的アルゴリズム、PCA、ANOVA、ランダムフォレスト、相互情報量、ラasso、XGBoost、分散、およびバイナリ・アリコロニー最適化を含む10種類の特徴選択手法を体系的に適用する。
• テストされた複数の分類器の中で最も優れた性能を示したため、多層パーセプトロン（MLP）分類器を採用する。
• モデルは、血液球画像分類のベンチマークデータセットであるC-NMC 2019データセットを用いて訓練および評価される。
• ハイパーパrameterチューニングおよびモデル検証には、標準的な交差検証および正解率や感度などのパフォーマンス指標が用いられる。

実験結果

リサーチクエスチョン

• RQ1 従来の手法と比較して、ハイブリッドディープラーニングおよびメタヒューリスティクス手法は、ALL診断の正確性と感度を向上させることができるか？
• RQ2 どの組み合わせの深層特徴抽出器と特徴選択手法が、ALLおよび健康（HEM）血液球の分類において最適なパフォーマンスを達成するか？
• RQ3 メタヒューリスティクス最適化された特徴を用いた場合、MLP分類器の性能は他の分類器と比べてどうなるか？
• RQ4 この診断文脈において、異なるメタヒューリスティクスアルゴリズムは、従来の特徴選択手法をどれほど上回るか？
• RQ5 トランスファー学習とメタヒューリスティクス最適化を統合することで、C-NMC 2019ベンチマークデータセットにおける一般化性能が向上するか？

主な発見

• 提案されたモデルは、C-NMC 2019データセットで90.71%の分類正解率を達成し、高い診断信頼性を示した。
• モデルは95.76%の感度を記録し、ALL症例における芽球細胞の強力な検出能力を示した。
• 正解率および感度の両面で、多層パーセプトロン（MLP）分類器が他のすべての分類器を上回った。
• バイナリ・アリコロニー最適化アルゴリズムは、テストされたメタヒューリスティクス特徴選択手法の中で最も効果的だったものの1つであった。
• 特定の診断タスクにおいて、ResNetに基づく特徴抽出は、VGG、EfficientNet、DenseNetよりも優れたパフォーマンスを示した。
• メタヒューリスティクス特徴選択をディープラーニングと統合することで、ベースライン構成と比較してモデルのパフォーマンスが顕著に向上した。