用于白细胞分类的深度学习流程：全面的文献综述

《ARTIFICIAL INTELLIGENCE REVIEW》：Deep learning pipelines for white blood cell classification: a comprehensive literature review

　　

摘要

本研究旨在全面且系统地概述深度学习（DL）框架在白细胞（WBC）图像识别与分类中的应用情况。本综述围绕三个主要研究问题展开：(1) 在WBC分类中，DL模型的采用有哪些主流趋势？(2) 图像预处理和分割技术如何影响模型性能？(3) 该领域目前存在哪些局限性及未来发展方向？文献检索遵循了《系统评价和荟萃分析优先报告条目》（Preferred Reporting Items for Systematic Reviews and Meta-Analyses）的指导原则。研究的选择和分析基于相关性、方法学严谨性以及对领域的贡献。我们构建了一个包含18个技术维度的分析框架来评估所使用的DL流程。结果表明，卷积神经网络（CNN）在该领域占据主导地位，被应用于81.6%的研究中；其中，ResNet、Visual Geometry Group（VGG）和EfficientNet是最常使用的架构，分别占比32.9%、18.4%和14.5%。混合方法（如CNN-支持向量机、CNN-长短期记忆等）占文献的11.2%。68%的研究采用了直方图均衡化、归一化和对比度增强等预处理技术，54%的研究使用了U-Net、分水岭算法等分割方法。在BCCD数据集上，使用EfficientNet时报告的最高分类准确率为99.83%。本综述提出了一个结构化的分析框架，用于评估现有研究，并为开发更可靠、可解释且适用于临床应用的基于DL的血液学成像诊断工具提供指导。