用于血涂片中急性淋巴细胞白血病可解释性诊断的元注意力融合与自适应优化

《Scientific Reports》：Meta-attention fusion and adaptive optimization for explainable diagnosis of acute lymphoblastic leukemia in blood smears

　　

摘要

急性淋巴细胞白血病（ALL）是最常见的儿童恶性肿瘤，其治疗依赖于快速且精确的诊断。传统技术，如骨髓穿刺后流式细胞术，可提供可靠的结果，但存在严重局限。这些局限包括侵入性操作、需要熟练操作人员、耗时较长，以及偶尔产生不明确的读数。我们提出了ConfuNetHMA，一种新型自动化诊断工具，通过分析外周血涂片图像来克服上述障碍。从根本上说，我们的方法结合了两个互补的深度学习方法架构：视觉Transformer用于理解整个涂片上的全局关联，卷积神经网络用于捕获单个细胞中细粒度的局部模式。通过将局部信息和全局信息整合为单一的连贯图像，这些组件通过一种分层"元注意力"机制进行通信。一个轻量的受元学习启发的模块生成一个基于融合特征表示的优化器选择策略；在本工作中，该模块用于跨多次运行识别并推荐每个数据集中表现最佳的优化器。为验证其鲁棒性，ConfuNet-HMA在固定的训练/验证/测试划分和五折交叉验证中均进行了测试。该模型在ALL数据集上达到100%的分类准确率，在C-NMC数据集上达到97.39%的准确率，并在区分ALL亚型时保持0.994的ROC-AUC，各类别均具有较高的一致性精确率和召回率。认识到临床医生需要信任AI决策，我们集成了多种可解释性工具。Grad-CAM突出了每个细胞中影响诊断的区域，而LIME、SHAP和Integrated Gradients提供了互补的特征重要性视图，精准定位了病理科医生常规检查的核形态、染色质纹理和胞质细节。由于这些高亮特征与既有的血液学标准相吻合，临床医生可以跟随AI的"思维过程"，而非将其视为不可理解的黑色盒子。