编辑推荐：
为解决急性淋巴细胞白血病（ALL）早期检测难题，研究人员开展基于深度学习模型检测和分类 ALL 的研究。评估了 10 种预训练模型，部分模型分类准确率达 100%。该研究为 ALL 诊断提供新方法，有助于提高诊疗效率。
在医学领域，白血病一直是严重威胁人类健康的重大疾病。其中，急性淋巴细胞白血病（ALL）发病迅速，若不能及时发现并治疗，往往会带来致命后果。早期检测 ALL 对于提高患者的生存率和治疗成功率至关重要，然而传统检测方法存在诸多局限，如对异常细胞的识别不够精准、检测效率较低等。在此背景下，为了寻找更高效、准确的 ALL 检测手段，研究人员开展了相关研究。
研究人员对多种预训练的深度学习模型进行了实证分析，旨在利用深度学习技术提高 ALL 的检测和分类精度。研究人员来自多个机构，但具体信息未明确提及 。
研究中用到的主要关键技术方法包括：首先是数据处理技术，使用公开的白血病数据集，包含 3242 张外周血涂片（PBS）图像，通过数据增强技术（如旋转、翻转、剪切等）扩大数据集规模，同时进行数据归一化处理；其次是模型训练技术，采用 10 种预训练的卷积神经网络（CNN）模型，如 VGG16、VGG19、ResNet50 等，利用迁移学习在 PBS 图像上进行微调训练；最后运用可解释人工智能（XAI）技术，如 Grad - CAM、Grad - CAM++ 和 Score - CAM，增强模型的可解释性。
实验设置与性能指标
研究人员对多种 CNN 模型在 ALL 疾病数据集的 PBS 样本上进行性能评估。将图像尺寸调整为多数模型适用的 224×224 像素（Xception 模型为 299×299 像素），采用 Adam 优化器，设置批大小为 32，训练轮数为 30。使用准确率、精确率、敏感度（召回率）、特异性、F1 分数和 AUC（受试者工作特征曲线下面积）等指标评估模型性能。这些指标从不同方面反映模型的分类能力，通过分析混淆矩阵，可深入了解模型的分类情况及错误原因。
实验结果
- 模型分类准确率：实验结果令人瞩目，VGG16、VGG19、ResNet50、Xception、ResNet152、DenseNet169 和 EfficientNetV2B0 这 7 种模型在分类任务中表现卓越，准确分类了所有病例，分类准确率达到 100%。此外，DenseNet121 模型的准确率为 99%，NASNetMobile 为 81%，EfficientNet - B0 为 72% 。
- 优化方法比较：在比较不同优化方法时发现，Adam 优化器在训练这些模型时，性能优于 Adadelta、SGD 和 RMSprop 等其他优化技术，使用 Adam 优化器的模型在各项性能指标上表现更优。
- 与现有模型对比：与其他 ALL 疾病分类的现有模型相比，该研究中部分模型（VGG16、VGG19、ResNet50、Xception、ResNet152、DenseNet169、EfficientNetV2B0）达到了 100% 的准确率，展现出良好的性能。虽然 Jawahar 等人提出的 ALNet 模型以 99.73% 的准确率领先，但本研究的模型也具有一定优势。
研究结论与讨论
研究表明，深度学习技术在 ALL 的检测和分类中具有显著效果。尽管数据集相对有限，但通过数据增强技术，研究人员成功地使多个模型达到了 100% 的准确率，证明了深度学习模型在白血病检测方面的强大能力。然而，研究也存在一些局限性，如部分模型性能存在差异，EfficientNetV2B0 和 NASNetMobile 等模型表现不够理想，可能需要进一步微调；数据质量和可变性、模型的可解释性和泛化性等方面也有待提高。
可解释人工智能（XAI）技术的应用增强了模型的可解释性，帮助医疗专业人员更好地理解模型的决策过程，这对于提高 AI 在医疗领域的可信度至关重要。未来的研究可以朝着提高模型的稳健性、优化 XAI 技术、探索半监督或无监督学习方法等方向展开，以减少对大量标记数据的依赖，提升 AI 在医疗领域的应用效果。
总的来说，这项研究为 ALL 的诊断提供了新的思路和方法，展示了深度学习在医学影像分类中的巨大潜力，有望推动血液学诊断技术的发展，帮助医生更准确、高效地检测 ALL，为患者的治疗争取宝贵时间，提高患者的生存率和生活质量。
