MoViTHAFX-Net：融合MobileNet–ViT与分层注意力融合的急性淋巴细胞白血病外周血涂片二分类方法

《Scientific Reports》：A deep hybrid feature extraction model based on MobileNet and vision transformer for acute lymphoblastic leukemia prediction

　　

摘要

从外周血涂片图像中早期准确识别急性淋巴细胞白血病（ALL）有助于支持显微筛查，但可靠的评估需要同时具备判别性特征学习和实验方案的透明报告。本研究提出了 MoViTHAFX-Net，这是一种混合 MobileNet–Vision Transformer (ViT) 架构，结合分层注意力融合 (HAF) 和 Grad-CAM++ 可视化，利用 C-NMC 2019 数据集训练组件中的 10,661 张标记细胞图像，对 ALL 原始细胞和健康造血母细胞 (HEM) 进行二分类。MobileNet 提取局部形态信息，而 ViT 建模长距离上下文关系。HAF 首先精炼两个分支，然后在二分类前自适应结合三个可学习的形态引导特征投影。所报告的实验采用图像级分层划分，包含 7462 张训练图像、1600 张验证图像和 1599 张保留测试图像；数据增强仅限于训练划分。在保留的测试划分上，模型正确分类了 1599 张图像中的 1583 张，对应 99.00% 的准确率，精确率、召回率和 F1 分数约为 0.990，AUC 为 0.99。在同一实验设置下的消融实验结果表明，与直接的 CNN–ViT 拼接相比，HAF 具有增量优势。Grad-CAM++ 被用作对贡献于预测的图像区域进行定性事后可视化的工具。由于所报告的自定义划分为图像级而非按受试者独立划分，且评估仅限于单个基准数据集，因此结果应被解释为内部基准性能，而非患者独立或多中心临床泛化的证据。