[论文解读] Deep Learning Algorithms for Early Diagnosis of Acute Lymphoblastic Leukemia

D. Papaioannou, Ioannis T. Christou+2 more|arXiv (Cornell University)|Jul 14, 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深度学习的二值图像分类模型，采用卷积神经网络（CNNs）来区分显微镜下急性淋巴细胞白血病（ALL）母细胞与正常血细胞。该模型在118名受试者的10,661张图像上进行训练，准确率达到94.3%，显示出作为临床环境中早期ALL检测诊断辅助工具的潜力。

ABSTRACT

Acute lymphoblastic leukemia (ALL) is a form of blood cancer that affects the white blood cells. ALL constitutes approximately 25% of pediatric cancers. Early diagnosis and treatment of ALL are crucial for improving patient outcomes. The task of identifying immature leukemic blasts from normal cells under the microscope can prove challenging, since the images of a healthy and cancerous cell appear similar morphologically. In this study, we propose a binary image classification model to assist in the diagnostic process of ALL. Our model takes as input microscopic images of blood samples and outputs a binary prediction of whether the sample is normal or cancerous. Our dataset consists of 10661 images out of 118 subjects. Deep learning techniques on convolutional neural network architectures were used to achieve accurate classification results. Our proposed method achieved 94.3% accuracy and could be used as an assisting tool for hematologists trying to predict the likelihood of a patient developing ALL.

研究动机与目标

• 为解决急性淋巴细胞白血病（ALL）这一常见儿童癌症的早期诊断挑战，其中正常细胞与白血病母细胞在形态上相似，导致人工识别困难。
• 开发一种自动化图像分类系统，以提高诊断准确性，减少血液科医生对主观视觉评估的依赖。
• 评估深度学习模型在真实世界显微镜图像中区分恶性与正常血细胞方面的性能。
• 提供一种实用且可部署的工具，支持血液科医生实现ALL的早期检测，有望改善患者预后。

提出的方法

• 采用深度卷积神经网络（CNN）架构开发二值图像分类模型，用于分析血涂片的显微镜图像。
• 模型在包含10,661张图像的数据集上进行训练，数据来自118名受试者，涵盖正常及ALL受影响样本。
• 数据预处理包括图像归一化和增强，以提升模型的泛化能力和鲁棒性。
• 通过标准深度学习训练流程优化CNN架构，包括交叉熵损失和随机梯度下降。
• 采用标准指标（如准确率）进行模型评估，重点关注二元预测：正常 vs. 癌症。
• 该框架设计用于集成到临床工作流程中，作为血液科医生的决策支持工具。

实验结果

研究问题

• RQ1 深度学习模型能否在显微镜图像中实现对急性淋巴细胞白血病母细胞与正常白细胞的高精度区分？
• RQ2 当形态学特征视觉上模糊时，基于CNN的方法在降低诊断不确定性方面效果如何？
• RQ3 自动化图像分类在多大程度上可提高儿科患者中ALL的早期检出率？
• RQ4 该模型在保持对未见数据的高性能的同时，能否在多样化患者样本中实现良好泛化？
• RQ5 与人类专家诊断相比，该模型在准确率和一致性方面表现如何？

主要发现

• 所提出的深度学习模型在测试集上实现了94.3%的分类准确率，表明其在区分正常与ALL受影响血细胞方面表现优异。
• 该模型通过学习正常与白血病母细胞之间细微的形态学差异，有效减少了诊断模糊性，这些差异可能难以被人类观察者一致识别。
• 使用来自118名受试者的10,661张图像的大型多样化数据集，支持模型在患者个体差异中的稳健泛化。
• 结果表明，深度学习可作为临床血液学中早期ALL诊断的可靠辅助工具。
• 该模型的性能表明其有潜力集成到数字病理学流程中，以提升诊断速度和可靠性。