基于蚁群优化算法与机器学习特征选择的急性淋巴细胞白血病智能诊断系统研究

本研究针对急性淋巴细胞白血病(ALL)早期诊断的临床挑战，开发了一套基于计算机辅助诊断(CAD)系统的创新解决方案。研究人员通过整合图像预处理、区域分割、特征提取与蚁群优化(ACO)算法，结合朴素贝叶斯(NB)、支持向量机(SVM)和K近邻(K-NN)三种分类器，在ALL-IDB数据集上实现96.15%的准确率。该研究为血液病理学提供了高效的第二诊断意见工具，显著提升了白血病筛查的标准化水平。

　　

在当代医学领域，急性淋巴细胞白血病(ALL)作为儿童最常见的恶性血液病，其早期诊断直接关系到患者的生存预后。然而传统显微镜检查存在主观性强、效率低下等痛点，不同经验水平的血液学家可能得出差异化的诊断结论。据世界卫生组织统计，全球每年约10万人死于白血病，其中ALL在50岁以上成人中的发病率近年呈现上升趋势。这种临床困境催生了计算机辅助诊断(CAD)系统的研发需求，但现有技术普遍面临特征冗余、分类精度不足等技术瓶颈。

埃及国家研究中心(National Research Centre)信息系统的Enas M.F. El Houby团队在《Scientific Reports》发表的研究中，创新性地将生物启发算法与机器学习相结合。研究人员采用ALL-IDB公开数据集中的260张显微图像，构建了包含预处理、分割、特征优化和分类的四阶段分析框架。通过蚁群优化(ACO)算法从66个形态学特征中智能筛选关键指标，最终使朴素贝叶斯(NB)分类器达到96.15%的准确率，较全特征集提升16.44个百分点，为临床提供了一套高灵敏度(97.56%)、高特异性(94.59%)的自动化诊断方案。

关键技术路线包含：1)基于灰度转换和对比度增强的图像预处理；2)结合自适应阈值与形态学运算的细胞核分割；3)提取细胞/细胞核/细胞质的22类形态-纹理特征(共66维)；4)采用ACO算法进行特征选择，其概率转移函数通过信息素τ和启发式因子η动态优化搜索路径；5)并行测试NB、SVM径向基核、K-NN三种分类器的性能表现。

主要研究发现包括：

预处理与分割

通过图像反相处理增强细胞边缘对比度，

，结合连通域分析实现单个白细胞精准定位。

特征选择机制

ACO算法通过式(1)的转移概率公式，筛选出6个核心特征：细胞核对比度(Contrast_Nucleus)、胞质圆形度(Circularity_Cytoplasm)等，使特征维度降低90.9%。

分类器比较

NB在6特征组合下表现最优(AUC=0.9848)，显著优于SVM(93.75%)和K-NN(92.41%)。

显示仅1例假阴性，满足临床安全需求。

该研究的突破性在于：首次验证ACO算法在血液病特征选择中的优越性，其全局搜索能力克服了粒子群(PSO)易陷入局部最优的缺陷。相比同类研究，本系统将SVM准确率从91.84%提升至93.75%，且计算效率提高9倍。未来可扩展至其他癌症的显微图像分析，为资源匮乏地区提供标准化诊断支持。研究团队建议后续整合深度学习方法，并针对埃及本土病例数据进行适应性优化。