[论文解读] 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 4

一句话总结

本研究提出了一种基于ResNet的深度特征提取、基于元启发式算法的特征选择（如二进制蚁群优化）以及多层感知机（MLP）分类器的混合诊断模型，用于急性淋巴细胞白血病（ALL）的诊断。该模型在C-NMC 2019数据集上实现了90.71%的准确率和95.76%的敏感度，优于其他配置，展现出在自动化ALL诊断方面的强大潜力。

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.

研究动机与目标

• 为解决基于原始细胞分析的手动ALL诊断耗时且易出错的问题。
• 开发一种自动化诊断系统，以提高从外周血和骨髓图像中检测急性淋巴细胞白血病的准确率和敏感度。
• 将元启发式优化与深度学习相结合，以提升特征选择和分类性能。
• 在ALL分类背景下，评估并比较多种迁移学习模型和特征选择技术。

提出的方法

• 采用基于ResNet的深度神经网络作为特征提取器，从ALL和健康血细胞图像中学习高层表示。
• 评估了多种迁移学习模型（ResNet、VGG、EfficientNet和DenseNet）在特征提取性能上的表现。
• 应用了包含遗传算法、主成分分析（PCA）、方差分析（ANOVA）、随机森林、互信息、Lasso、XGBoost、方差和二进制蚁群优化在内的共10种特征选择方法，以降低维度并选择相关特征。
• 选择多层感知机（MLP）分类器作为在多种测试分类器中表现最佳的模型。
• 在C-NMC 2019数据集上训练并评估该模型，该数据集是血细胞图像分类的基准数据集。
• 使用标准交叉验证和准确率、敏感度等性能指标进行超参数调优和模型验证。

实验结果

研究问题

• RQ1 与传统方法相比，基于深度学习与元启发式结合的混合方法是否能提升ALL诊断的准确率和敏感度？
• RQ2 哪种深度特征提取器与特征选择技术的组合在分类ALL和健康（HEM）血细胞方面能实现最优性能？
• RQ3 当与元启发式优化的特征结合时，MLP分类器相较于其他分类器的性能表现如何？
• RQ4 在本诊断背景下，不同元启发式算法在多大程度上优于传统特征选择方法？
• RQ5 将迁移学习与元启发式优化相结合，是否能提升在C-NMC 2019基准数据集上的泛化能力？

主要发现

• 所提出的模型在C-NMC 2019数据集上实现了90.71%的分类准确率，表明具有较高的诊断可靠性。
• 该模型记录了95.76%的敏感度，表明对ALL病例中原始细胞的检测能力极强。
• 多层感知机（MLP）分类器在准确率和敏感度两方面均优于所有其他分类器。
• 二进制蚁群优化算法是所测试的最有效的元启发式特征选择方法之一。
• 在本特定诊断任务中，基于ResNet的特征提取性能优于VGG、EfficientNet和DenseNet。
• 将元启发式特征选择与深度学习相结合，显著提升了模型性能，优于基线配置。