面向外周血涂片图像的白血病亚型分类:XAI驱动的交叉注意力双分支CNN(CADBCNN)的提出与应用

《Franklin Open》:An XAI-Driven Cross-Attentive Dual-Branch CNN (CADBCNN) for leukemia subtype classification from peripheral blood smear images

【字体: 大 中 小 】 时间:2026年04月25日 来源:Franklin Open CS1.4

编辑推荐:

  为解决传统白血病亚型分类方法依赖专家经验、耗时且易受主观影响的问题,研究人员提出了一种融合交叉注意力机制的双分支卷积神经网络(CADBCNN),通过集成ResNet18与ResNet34并引入动态特征交互模块,实现了对急性淋巴细胞白血病(ALL)等亚型的高精度自动分类。该模型在测试集上准确率达98.36%,并通过Grad-CAM与t-SNE可视化增强了结果可解释性,为临床辅助诊断提供了可靠工具。

  
在血液肿瘤诊疗领域,白血病作为一种高异质性的恶性疾病,其早期准确分型对治疗决策与预后至关重要。然而,传统诊断依赖于外周血涂片显微镜检查、免疫分型与分子检测,这些方法不仅耗时耗力,且高度依赖病理学家的经验,在资源有限地区难以普及。随着人工智能技术的突破,尤其是深度学习在医学影像分析中的应用,为自动化白血病细胞分类带来了曙光。但现有单一卷积神经网络(CNN)模型在区分形态相似的亚型(如急性淋巴细胞白血病ALL、急性髓系白血病AML等)时表现有限,且缺乏可解释性,制约了其在临床环境中的可信度。在这一背景下,研究人员探索如何构建一个既能精准分类又能“解释自身决策”的智能系统,从而架起人工智能与临床实践之间的桥梁。
本研究提出了一种名为交叉注意力双分支卷积神经网络(Cross-Attentive Dual-Branch CNN, CADBCNN)的新模型,旨在从外周血涂片图像中实现白血病亚型的高精度、可解释分类。该模型创新性地融合了双分支特征提取与交叉注意力机制,并集成可解释人工智能(Explainable AI, XAI)模块,以提升分类性能与临床可接受度。研究论文发表于《Franklin Open》期刊。
为开展研究,团队主要采用了以下几项关键技术方法:首先,利用公开Kaggle数据集(包含6512张标注的外周血涂片图像,涵盖良性、早期前B细胞、前B细胞、原B细胞四类),通过分层划分确保数据无泄漏。其次,构建了以ResNet18和ResNet34为骨干的双分支CNN架构,并引入双向交叉注意力模块实现动态特征融合。模型训练采用迁移学习、加权交叉熵损失处理类别不平衡,并通过学习率优化策略提升收敛效率。最后,通过梯度加权类激活映射(Grad-CAM)可视化关键图像区域,并利用t分布随机邻域嵌入(t-SNE)对高维特征进行降维展示,以定性评估模型聚焦区域与特征可分性。
研究结果
  1. 1.
    模型性能优越:CADBCNN在独立测试集上达到98.36%的准确率、98.41%的精确率、98.36%的召回率与98.38%的F1分数,其宏平均受试者工作特征曲线下面积(AUC)高达0.9995,显著优于ResNet34、ResNet50、EfficientNet-B0及普通双分支特征拼接等基线模型。
  2. 2.
    注意力机制有效性验证:通过消融实验对比,使用双向交叉注意力融合的双分支架构(CADBCNN)在准确率与F1分数上均优于静态拼接或元素加和融合方式,证实了动态特征交互对提升模型判别能力的关键作用。
  3. 3.
    特征可分性可视化:t-SNE降维图显示,CADBCNN提取的特征在二维空间中呈现出清晰的类间分离趋势,表明模型能够学习到高度判别性的表示。
  4. 4.
    模型决策可解释性:Grad-CAM热力图显示,CADBCNN的注意力主要聚焦于白细胞核与细胞质等形态学关键区域,这与病理诊断的关注点一致,增强了模型预测的透明度和可信度。
结论与讨论
本研究提出的CADBCNN框架成功将双分支卷积架构、交叉注意力融合机制与可解释人工智能模块有机结合,实现了对外周血涂片图像中白血病亚型的高精度分类与决策可视化。结果表明,交叉注意力机制能够有效捕获多尺度特征的深层依赖,从而提升对形态相似亚型的区分能力;同时,Grad-CAM与t-SNE可视化从定性与定量两个角度增强了模型的可解释性,为临床医生提供了直观的决策参考。
尽管该研究在单一公开数据集上取得了优异性能,但作者也指出了若干局限性:缺乏多中心外部验证、未整合临床与分子数据(如流式细胞术标志物、细胞遗传学信息),且可解释性分析尚未与病理学家标注进行定量对比(如交并比IoU度量)。这些局限也为未来研究指明了方向,包括开展跨机构验证、开发多模态融合模型,以及引入定量化可解释性评估指标。
综上所述,CADBCNN为白血病形态学筛查提供了一种准确、可解释的辅助工具,有望在资源有限场景下提升初步诊断效率,并为深度学习在血液病理学中的更广泛应用奠定方法学基础。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号