摘要
急性淋巴细胞白血病（ALL）是一种高发的血液系统恶性肿瘤，尤其在儿童中更为常见。对于儿童患者而言，准确且迅速地识别其亚型对于制定合适的治疗方案至关重要。目前基于深度学习的计算机辅助诊断（CAD）方法在识别ALL方面存在诸多局限性，例如仅依赖空间特征描述、特征维度过高、计算资源需求大的深度学习架构、多层特征利用不足以及可解释性较差等问题。本文介绍了一种名为LUMINA-Net的轻量级、可解释的深度学习工具，该工具能够利用显微镜下的血液涂片图像自动识别ALL的亚型。LUMINA-Net主要实现了四个创新点：首先，它在轻量级的自定义卷积神经网络（CNN）中集成自注意力机制，有效捕捉临床相关细胞学模式中的长距离空间关系，同时保持网络结构的紧凑性；其次，采用基于离散小波变换（DWT）的小波池化层，将特征维度降低至原来的96.875%，同时增强特征的空间-光谱信息；第三，通过多层特征融合策略，将来自两个深度层的池化特征与第三个全连接层结合，生成具有区分能力的多尺度特征向量；第四，引入梯度加权类别激活映射（Gradient-Weighted Class Activation Mapping）机制，为临床医生提供每个分类决策的直观视觉解释。LUMINA-Net无需进行图像增强或分割预处理，即在同一数据集上超越了现有的最先进方法，其在公开可用的Kaggle ALL数据集上的准确率达到了99.51%，特异性为99.84%，敏感性为99.51%。这表明LUMINA-Net有望成为一种可靠、高效且具有临床可解释性的ALL诊断工具。
