用于准确且自动化白血病诊断的特征融合集成深度学习框架

《Franklin Open》：A feature-fusion ensemble deep learning framework for accurate and automated leukemia diagnosis

　　

白血病是一种血液系统恶性肿瘤，需要进行早期且准确的诊断以实现有效治疗。检查涂片样本的传统人工技术耗时且易产生人为误差。本研究引入了一种用于白血病诊断的集成架构。所提出的设计，即一种改进的卷积神经网络（MCNN），整合了来自ResNet50的分层深度特征与人工构建的描述符，特别是局部方向模式（LDP）和方向梯度直方图（HOG），以增强特征提取并克服CNN固有的局限性（例如过拟合）。基线CNN、ResNet50与MCNN的结合产生了最佳的诊断性能，在50个训练周期内实现了96.50%的准确率、96.30%的精确率、96.70%的召回率和96.50%的F₁分数，其性能优于单独的MCNN（85.47%准确率）和ResNet50（88.50%准确率）基线模型。在CNN框架内集成深度分层特征与人工设计的描述符，简化了各种数据集中白血病细胞之间的区分。该集成框架是一种广义模型，能够显著支持临床决策支持系统，特别是在资源有限的医疗保健环境中。

研究背景与意义：
急性淋巴细胞白血病是全球许多地区最常见的儿童癌症和主要死亡原因。尽管有现有的医疗手段，仍有10%至15%的患者无法实现缓解。耐药性和患者反应的多样性阻碍了有效化疗的进行。因此，精确检测对于实施适当治疗和降低死亡风险至关重要。传统诊断依赖专家病理学家对血液涂片样本进行人工检查，这一过程耗时且容易产生人为错误，可能导致严重后果。为了克服这些局限性，基于深度学习架构的自动化系统被开发出来。卷积神经网络（CNN，一种包含卷积层的前馈神经网络）在从显微图像中分类血液疾病方面证明了其架构的成功。近年来，将不同模型与传统特征提取相结合的混合模型通过解决传统CNN基线模型的特定局限性（如在小数据集上过拟合），显著提高了检测准确率。研究人员将多模态特征融合集成的统一框架用于白血病诊断，论文发表在《Franklin Open》。通过将ResNet50与手工描述符（HOG和LDP）及基线CNN整合，所提出的模型增强了特征判别能力和鲁棒的临床决策支持。

关键技术方法：
研究人员使用Python及其TensorFlow、PyTorch和OpenCV库实现模型，并在ALL-IDB和C-N-M-C_2019公共数据集上进行评估，数据集严格按70-15-15的比例划分为训练集、验证集和测试集。为解决医疗数据集中固有的类别不平衡问题，研究采用了类别加权交叉熵损失（Weighted categorical cross-entropy loss，一种用于处理类别不平衡的损失函数）。研究提出了一个鲁棒的多模态特征融合集成框架，结合了基线CNN、独立ResNet50和修改的CNN三个分类器，使用加权软投票机制（Soft-voting，集成学习中一种基于预测概率平均的分类方法），权重系数通过验证集上的网格搜索确定。

研究结果：
实验设置
研究评估了真阳性率（TPR，实际为阳性且被判定为阳性的比例）、真阴性率（TNR，实际为阴性且被判定为阴性的比例）、准确率和F₁分数。通过类别加权交叉熵损失训练，使集成模型获得了各类别的有效判别特征，正常样本类的召回率达到92.7%，F₁分数为92.9%。

模型性能分析
通过对比不同模型的混淆矩阵和分类报告，基线CNN准确率为77.51%，ResNet18为88.5%，YOLOv8为83.00%，修改的CNN为85.47%，而提出的多模型集成框架准确率达到95.3%，精确率96.3%，召回率96.7%，F₁分数为96.5%。

集成模型训练图
通过分析50个周期的训练与验证准确率及损失曲线，发现准确率稳定上升，在第20个周期左右达到约96.8%的收敛。训练和验证损失曲线持续下降且验证损失紧随训练损失，表明模型未出现过拟合，具有向未知数据的高效泛化能力。

多模型集成方法的消融表
通过消融实验对比不同模型配置，发现简单的基线CNN模型准确率为77.00%。加入手工描述符后，方向梯度直方图（HOG，一种在计算机视觉和图像处理中进行物体检测的特征描述符）提取边缘方向和细胞核及细胞质形状轮廓，局部方向模式（LDP，一种用于纹理特征提取的图像描述符）对微纹理差异和细胞内强度变化敏感。两者结合使模型能全面表征细胞，使基线CNN的召回率提升至97.08%。结合ResNet50与手工特征的完整集成模型达到了95.30%的准确率。

不同训练数据分析
通过绘制50个周期的训练准确率图，基线CNN仅达77.84%准确率，ResNet达99.96%，修改的CNN收敛更快更准，集成模型准确率最高达99.99%。这表明深度学习与手工特征描述符的结合提升了白血病诊断的效率与可靠性。

比较讨论
通过比较基线CNN、ResNet、修改的CNN及拟议的集成模型，拟议的集成模型在所有指标上表现最佳。结合近期外部方法比较，集成模型通过将ResNet50的深度语义抽象与HOG和LDP的局部纹理描述符结合，达到了95.30%的准确率，优于YOLOv8基线和其他近期混合方法，证明了集成学习在可靠和鲁棒分类中的优势。

结论与讨论总结：
本研究提出了一种新的基于集成的深度学习框架，用于从显微血液涂片图像中准确识别白血病。除了包括ResNet和基线CNN在内的传统架构外，所提出的方法将通过混合特征提取技术（如方向梯度直方图（HOG）、局部方向模式（LDP））增强的修改型CNN与来自ResNet50的深度特征结合到一个集成模型中。经过广泛的基准数据分析，所提出的集成模型表现最佳，准确率为95.30%，精确率为96.30%，召回率为96.70%，F₁分数为96.50%。这些值优于单独模型，如修改型CNN（准确率85.47%，精确率83.81%，召回率97.08%，F₁分数89.82%）、ResNet（F₁分数91.00%，召回率91.15%，精确率77.70%，准确率88.50%）和基线CNN（精确率75.00%，准确率77.00%，召回率84.00%，F₁分数79.50%）。涵盖50个周期的训练曲线分析进一步支持了所提出模型的耐用性和快速收敛性。虽然基线CNN模型表现出初始不稳定或收敛缓慢，但修改型CNN和ResNet模型表现出增强的学习行为，该集成模型产生了一致且准确的发现。模型的混合特征融合和集成方法使其能够平衡判别能力与泛化能力，从而在自动化白血病识别中取得成功。