Ein diagnostisches Modell für akute lymphoblastische Leukämie unter Verwendung von Metaheuristiken und Deep-Learning-Methoden

Die Schwere der akuten lymphoblastischen Leukämie (ALL) wird durch die Anwesenheit und Verhältnisse von Blastenzellen (abnormalen weißen Blutkörperchen) im Knochenmark und im peripheren Blut bestimmt. Die manuelle Diagnose dieser Erkrankung ist ein mühsamer und zeitaufwändiger Vorgang, der es Fachleuten erschwert, die Eigenschaften von Blastenzellen genau zu untersuchen. Um diese Schwierigkeit zu adressieren, verwenden Forscher Deep Learning und Machine Learning. In dieser Arbeit wird ein auf ResNet basierender Merkmalsextraktor verwendet, um ALL zu erkennen, zusammen mit einer Vielzahl von Merkmalswählern und Klassifikatoren. Um die besten Ergebnisse zu erzielen, werden verschiedene Transfer-Lernmodelle, einschließlich der ResNet-, VGG-, EfficientNet- und DensNet-Familien, als tiefe Merkmalsextraktoren verwendet. Nach der Extraktion werden verschiedene Merkmalswähler eingesetzt, darunter genetische Algorithmen, PCA, ANOVA, Random Forest, univariate, wechselseitige Informationen, Lasso, XGB, Varianz und binäre Ameisenkolonien. Nach der Merkmalsqualifikation kommen verschiedene Klassifikatoren zum Einsatz, wobei MLP die anderen übertrifft. Die empfohlene Technik wird verwendet, um ALL und HEM im ausgewählten Datensatz zu kategorisieren, der C-NMC 2019 ist. Diese Technik erzielte eine beeindruckende Genauigkeit von 90,71 % und eine Sensitivität von 95,76 % für die relevanten Klassifikationen, und ihre Kennzahlen in diesem Datensatz übertrafen andere.