基于EfficientNet与ViT混合深度学习模型的急性淋巴细胞白血病可解释性多分类方法研究

《Scientific Reports》：An explainable hybrid CNN-transformer framework for multi-representation leukaemia classification

　　

摘要

急性淋巴细胞白血病是一种严重的血液癌症，需要精准且及时的诊断以提高患者生存率。传统的外周血涂片显微图像检查方法较为主观、耗时，且高度依赖专家意见。然而，人工智能和机器学习——尤其是深度学习——的最新进展使白血病的自动检测成为可能；但现有方法因训练数据集而存在偏差，泛化能力不足，且可解释性较差。本文提出了一种基于EfficientNet和ViT模型的急性淋巴细胞白血病多分类混合深度学习新方法。该框架使用卷积网络进行特征提取，使用Transformer网络进行全局表征学习，并结合手工特征。我们在两个临床数据集上评估了该方法：ALL-IDB2和Kaggle上的ALL图像数据集，两者均包含良性和恶性类型（良性、早期、前体期、母细胞期）。与基准方法的比较表明，所提出的方法优于其他方法。为提高模型的可解释性，我们使用Grad-CAM可视化和视觉Transformer注意力图来检查与模型预测相关的图像区域，并辅以定量忠实度分析。所提出的模型在准确率、F1分数、特异性和Matthews相关系数方面均表现出色。尽管该框架在两个数据集上都表现优异，但由于可靠的患者标识符未能持续可用，无法独立验证按患者分组的分离情况；因此，需要进一步进行按患者分组和多中心的外部验证。这些发现表明，所提出的可解释混合框架在准确且具有可解释性的白血病分类方面具有巨大潜力。