基于模糊逻辑与多CNN特征融合的白细胞自动检测与分类新方法

《Scientific Reports》：Fuzzy logic and deep learning approach for automated white blood cell detection and classification via multi-CNN feature fusion

为解决传统人工白细胞分类主观性强、效率低下的问题，研究人员开展了一项结合多CNN特征融合与模糊EDAS评估的自动化分类研究。该研究通过融合DenseNet121、ResNet101和MobileNetV2模型提取互补特征，并利用模糊EDAS方法进行多维度性能评估。结果表明，该融合模型在Kaggle血细胞数据集上实现了99.79%的总体准确率，各项指标均优于单一模型，为临床血液病诊断提供了高精度、可解释的AI辅助工具。

　　

在医学诊断的微观世界里，血液中的白细胞是人体免疫系统的“哨兵”，它们的形态和数量变化是诊断感染、免疫系统疾病乃至白血病等血液癌症的关键线索。然而，传统的诊断方法依赖于病理学家在显微镜下人工观察血涂片，这不仅耗时费力，更因观察者的主观经验差异而存在诊断偏差。在医疗资源紧张的地区，这种依赖人工的流程还可能导致诊断延迟，错失最佳治疗时机。

随着人工智能技术的飞速发展，深度学习，特别是卷积神经网络（CNN），在医学影像分析领域展现出巨大潜力。然而，现有的白细胞自动分类方法仍面临挑战。单一CNN模型往往难以应对白细胞形态的类内差异和图像采集的不均匀性，且模型决策过程通常缺乏透明度，难以获得临床医生的信任。为了攻克这些难题，来自巴基斯坦和俄罗斯的研究团队在《Scientific Reports》上发表了一项创新研究，提出了一种融合模糊逻辑与多CNN特征融合的新框架，旨在实现白细胞的高精度、可解释自动分类。

为了开展这项研究，研究人员主要采用了以下几种关键技术方法：

1. 1.
   多CNN特征融合：研究采用了三种预训练的CNN模型——DenseNet121、ResNet101和MobileNetV2。这些模型分别擅长特征重用、深层特征提取和轻量化计算。研究人员将这三个模型提取的特征向量进行拼接，形成一个包含3000维特征的融合向量，以捕获更全面、互补的形态学信息。
2. 2.
   模糊EDAS评估：为了对模型性能进行更全面、可解释的评估，研究引入了基于距离的平均解评估（EDAS）方法，并结合模糊逻辑处理不确定性。该方法综合考虑了准确率、精确率、召回率、F1分数和特异性等多个临床指标，对模型进行多标准排名，而非仅依赖单一准确率。
3. 3.
   数据集与预处理：研究使用了公开的Kaggle血细胞图像数据集，包含8013张标记好的白细胞图像，分为中性粒细胞、嗜酸性粒细胞、单核细胞和淋巴细胞四类。数据经过归一化、锐化滤波以及旋转、翻转、缩放等数据增强处理，以提高模型的泛化能力。

研究结果

1. 单一模型性能对比

研究首先评估了三个单一CNN模型的性能。结果显示，DenseNet121表现最佳，总体准确率达到97.51%，在单核细胞分类上表现尤为出色。MobileNetV2作为轻量级模型，取得了93.76%的准确率，在嗜酸性粒细胞分类上表现良好。而ResNet101的总体准确率相对较低，为76.73%，但在中性粒细胞分类上展现了优势。

2. 融合模型性能显著提升

将三个模型的特征进行融合后，构建的融合模型在测试集上取得了显著提升。该模型实现了99.79%的总体准确率，精确率、召回率和F1分数均超过99.70%。与单一模型相比，融合模型在所有评估指标上均表现出更优的性能，证明了多特征融合策略的有效性。

3. 模糊EDAS模型性能评估

通过模糊EDAS方法对模型进行多维度评估，结果显示融合模型在单核细胞分类上排名第一，在淋巴细胞分类上表现最佳。而ResNet101在中性粒细胞分类上表现突出。这一分析揭示了不同模型在不同细胞类型上的互补优势，为临床应用中针对特定细胞类型选择最优模型提供了依据。

4. 统计性能与计算复杂度分析

五折交叉验证结果显示，融合模型的平均准确率为99.79%±0.21，F1分数为99.58%±0.25，表明模型具有高度的稳定性和泛化能力。计算复杂度分析表明，融合模型虽然比单一模型需要更多的计算资源，但其带来的性能提升使其在临床决策支持中具有重要价值。

结论与讨论

本研究成功构建了一个结合多CNN特征融合与模糊EDAS评估的自动化白细胞分类框架。该框架通过整合DenseNet121、ResNet101和MobileNetV2的互补特征，显著提升了分类性能，在Kaggle数据集上达到了99.79%的总体准确率。模糊EDAS方法的引入，为模型性能提供了超越单一准确率的、多维度且可解释的评估，增强了模型在临床决策中的透明度和可信度。

这项研究的重要意义在于，它不仅提供了一种高精度的白细胞自动分类工具，更通过模糊逻辑和EDAS方法，为临床医生提供了关于模型性能的全面、可解释的评估，有助于弥合AI模型与临床实践之间的鸿沟。未来，研究人员计划将模糊逻辑直接集成到模型训练过程中，并扩大数据集以涵盖更多临床场景，进一步推动AI在血液病诊断中的实际应用。