基于BiT-HyMLPKANClassifier混合深度学习框架的外周血细胞分类研究：高效精准的血液学诊断新策略

这篇综述创新性地提出了一种结合大迁移模型(BiT)与多层感知器(MLP)/高效科尔莫戈罗夫-阿诺德网络(EfficientKAN)的混合深度学习框架(BiT-HyMLPKANClassifier)，通过17,092张外周血细胞(PBC)图像的实验验证，该模型在保持MLP级训练效率(100-250秒)的同时，分类准确率突破97%，为临床血液学诊断提供了兼具高效性与高精度的自动化解决方案。

　　

引言

外周血细胞(PBC)分析作为医学诊断基石，其分类准确性直接影响对血液系统疾病、感染和免疫异常的判断。传统人工镜检存在效率低、主观性强等缺陷，而基于卷积神经网络(CNN)的深度学习方法虽取得进展，但在处理八类细胞复杂形态时仍面临特征提取与分类效率的平衡难题。本研究通过整合大迁移模型(BiT)的特征提取优势与新型KAN网络的非线性建模能力，构建了兼具高效性和高精度的混合分类框架。

实验方法

数据集特征

采用包含17,092张图像的外周血细胞数据集，涵盖中性粒细胞(19.48%)、嗜酸性粒细胞(18.24%)等八类细胞，通过70:15:15比例划分训练/验证/测试集，确保模型评估可靠性。

核心技术架构

1. 1.

   特征提取层：采用基于ResNet架构的BiT模型，利用其在ImageNet-21k预训练获得的尺度不变特征表示能力

2. 2.

   分类器设计：

   • •

     传统MLP：通过全连接层与ReLU激活函数构建基线模型

   • •

     EfficientKAN：基于科尔莫戈罗夫-阿诺德定理，将激活函数置于网络边缘，采用B样条基函数实现可学习的一元变换

   • •

     混合架构(HybridMLPEfficientKAN)：串联MLP的快速推理与KAN的高精度特性

关键发现

性能对比

• •

  训练效率：混合模型训练时间(100-250秒)显著低于独立EfficientKAN(700-2000秒)

• •

  分类精度：在BiT特征基础上，混合模型整体准确率达97.16%，较单独MLP提升5.2%，较独立EfficientKAN提升1.8%

• •

  临床指标：在嗜碱性粒细胞等稀有细胞识别中，召回率(F1-score)达96.4%，马修斯相关系数(MCC)保持0.93以上

技术突破点

1. 1.

   计算优化：通过矩阵乘积重构层间变换，将EfficientKAN内存开销降低60%

2. 2.

   特征融合：BiT提取的1024维特征经MLP压缩后，由KAN进行非线性决策边界建模

3. 3.

   可解释性：结合GradCAM++可视化技术，定位细胞核形态等关键判别区域

临床价值

该框架成功解决了血液学诊断中的三大核心需求：

1. 1.

   通过自动化分类将传统镜检时间从15分钟/样本缩短至秒级

2. 2.

   在白血病筛查中，对幼稚粒细胞识别特异性达98.2%

3. 3.

   硬件兼容性强，可在标准GPU服务器实现200样本/秒的实时处理

展望

未来研究将拓展至骨髓细胞分类领域，并探索KAN网络在循环肿瘤细胞(CTC)检测中的应用潜力。该技术框架为病理图像分析提供了"特征提取-自适应分类"的新范式，其设计理念可迁移至其他医学影像诊断场景。