编辑推荐：
为解决急性淋巴细胞白血病（ALL）诊断中传统方法的局限、深度学习（DL）模型计算效率低及缺乏可解释性的问题，研究人员开展了 ALL 诊断框架的研究。结果显示，该框架诊断性能佳、计算效率高且具有可解释性，为 ALL 诊断提供了新工具。
急性淋巴细胞白血病（Acute Lymphoblastic Leukemia，ALL）是一种严重威胁生命的血液恶性肿瘤，它就像隐藏在人体血液系统中的 “恶魔”，异常白细胞不受控制地疯狂增殖，肆意破坏正常的造血功能。在全球范围内，其发病率和死亡率不断攀升，世界卫生组织（WHO）预测到 2040 年，癌症的发病率和死亡率将近乎翻倍，ALL 作为其中的重要组成部分，无疑给全球健康带来了巨大挑战。
目前，传统的 ALL 诊断方法虽然在一定程度上发挥着作用，但存在诸多弊端。例如，一些方法具有侵入性，会给患者带来痛苦；检查过程耗时漫长，患者往往需要长时间等待结果，这对于病情危急的 ALL 患者来说，每一秒的等待都可能增加风险；而且，这些方法还容易受到多种因素影响，导致诊断不准确。即便医学影像和计算技术的出现提供了新的思路，可依靠放射科医生手动解读大量数据不仅工作量巨大、效率低下，还容易出现误诊，尤其是当细胞的细微变化成为诊断关键时，误诊的风险更高。
与此同时，基于深度学习（Deep Learning，DL）的诊断方法崭露头角，展现出巨大潜力。然而，它们也并非完美无缺。一方面，这些模型计算效率低下，处理数据的时间过长，在分秒必争的医疗场景中，这成为了阻碍其广泛应用的关键因素；另一方面，DL 模型犹如 “黑箱”，其决策过程难以理解，这让患者、医生和相关利益者对其缺乏信任，严重影响了它们在临床决策支持系统（Clinical Decision Support Systems，CDSS）中的应用。
为了攻克这些难题，来自爱尔兰戈尔韦大学（University of Galway）和巴基斯坦马拉坎德大学（University of Malakand）的研究人员展开了一项极具意义的研究。他们提出了一种全新的 ALL 诊断框架，将 EfficientNet-B7 架构与可解释人工智能（Explainable Artificial Intelligence，XAI）技术相结合，旨在提升诊断性能、计算效率和模型可解释性。该研究成果发表在《Scientific Reports》上，为 ALL 的诊断带来了新的曙光。
研究人员在研究过程中，主要运用了以下关键技术方法：利用 Python 编程语言，借助 TensorFlow 和 Keras 等深度学习库搭建模型；使用 AMD Ryzen 7 5700X 八核 CPU 和 16GB NVIDIA GeForce RTX 4080 GPU 的高性能计算设备进行模型训练和评估；采用 C-NMC-19、Taleqani Hospital 和 Multi Cancer 这三个包含不同 ALL 和正常细胞样本的数据集进行实验；运用数据预处理技术，如调整图像大小、归一化等，提升数据质量；通过集成 XAI 技术中的 Gradient-weighted Class Activation Mapping（Grad-CAM）、Class Activation Mapping（CAM）、Local Interpretable Model-Agnostic Explanations（LIME）和 Integrated Gradients（IG），实现对模型预测的可视化解释。
研究结果
- 模型性能卓越：研究人员将构建的模型与 VGG-19、InceptionResNetV2、ResNet50、DenseNet50 和 AlexNet 等基准模型进行对比，在多个数据集上进行评估。结果显示，在 Taleqani Hospital 数据集上，该模型准确率超 96%，C-NMC-19 和 Multi-Cancer 数据集上准确率分别达到 95.50% 以上。同时，其在 Area Under the Curve（AUC）、mean Average Precision（mAP）、Precision、Recall 和 F1-score 等指标上也表现出色，远超其他基准模型，充分证明了该模型强大的诊断能力。
- 计算效率大幅提升：在计算效率方面，新模型优势明显。在不同数据集上，它的推理时间比部分基准模型快 40%。例如在 Taleqani Hospital 数据集上，VGG-19 计算时间为 89.9 秒，而新模型仅需 59.28 秒，这使得新模型在临床实时诊断应用中更具可行性，极大地提高了诊断效率。
- XAI 技术增强可解释性：研究人员通过集成多种 XAI 技术，为模型预测提供了可视化解释。Grad-CAM 生成的热图能够精准地突出对模型预测贡献最大的图像区域；CAM 利用加权激活映射，直观地展示与模型预测相关的关键区域；LIME 通过扰动输入图像来确定影响模型预测的关键特征；IG 则量化每个输入特征对模型预测的贡献。经对比验证，Grad-CAM 表现最为出色，能最准确地反映模型决策依据，有效增强了医疗专业人员和患者对模型的信任。
研究结论与讨论
这项研究成功地将 EfficientNet-B7 与 XAI 方法相结合，在三个数据集上验证了该框架在 ALL 诊断中的有效性和可靠性。通过综合评估 AUC、mAP、Accuracy 等多个指标，证实了新框架在诊断性能和计算效率方面的优越性，为 AI 驱动的 ALL 诊断设立了新的标杆。
研究结果表明，该框架不仅在诊断 ALL 时能达到极高的准确率，还能大幅缩短计算时间，满足临床快速诊断的需求。同时，XAI 技术的融入增强了模型的可解释性，使医疗人员和患者更易理解模型的决策过程，有助于提高对 AI 诊断系统的信任度，推动 AI 技术在临床实践中的广泛应用。
然而，该研究也存在一些局限性。目前，框架的性能仅在血液学微观图像数据集上得到验证，其在其他医学成像领域和疾病诊断中的适用性有待进一步探索；多种 XAI 方法的集成虽提升了可解释性，但可能增加计算负担，需要在实时临床环境中优化；研究依赖标记数据集，在缺乏标注医疗数据的地区，框架的扩展性面临挑战；部分数据集规模较小，尽管采取了数据增强和正则化等策略，仍存在过拟合风险。
尽管存在不足，但这项研究为未来 AI 在医学诊断中的应用开辟了新方向。研究人员计划探索更多架构和 XAI 方法，将框架应用于更广泛的血液疾病诊断；利用半监督和无监督学习技术解决数据标注难题，提高框架的扩展性；优化 XAI 方法的计算负担，确保其在临床实时应用中的高效性。这些研究方向有望进一步提升 ALL 及其他疾病的诊断水平，为全球医疗健康事业带来更多福祉。
