Jornal de Ensaios Clínicos
Acesso livre

Abstrato

Um modelo de aprendizagem profunda para a deteção de leucócitos sob vários fatores de interferência

Meiyu Li, Lei Li, Shuang Song, Peng Ge, Hanshan Zhang, Lu Lu, Xiaoxiang Liu, Fang Zheng, Cong Lin, Shijie Zhang, Xuguo Sun

A deteção precisa de leucócitos é a base para o diagnóstico de doenças do sistema sanguíneo. No entanto, os métodos e instrumentos atuais não conseguem automatizar totalmente o processo de identificação ou apresentam um baixo desempenho. Para melhorar a situação actual, precisamos de desenvolver métodos mais inteligentes. Neste artigo, investigamos o cumprimento da deteção automática de alto desempenho para leucócitos utilizando um método baseado na aprendizagem profunda. É apresentado um pipeline de trabalho completo para a construção de um detetor de leucócitos, que inclui a recolha de dados, o treino do modelo, a inferência e a avaliação. Estabelecemos um novo conjunto de dados de leucócitos que contém 6.273 imagens (8.595 leucócitos), considerando nove fatores de interferência clínica comuns. Com base no conjunto de dados, é realizada a avaliação de desempenho de seis modelos de deteção convencionais e é proposto um esquema de conjunto mais robusto. O mAP@IoU=0,50:0,95 e o mAR@IoU=0,50:0,95 do esquema de conjunto no conjunto de teste são 0,853 e 0,922, respetivamente. O desempenho de deteção de imagens de baixa qualidade é robusto. Pela primeira vez, verifica-se que o esquema ensemble produz uma precisão de 98,84% na detecção de leucócitos incompletos. Além disso, também comparámos os resultados dos testes de diferentes modelos e encontrámos múltiplas deteções falsas idênticas dos modelos, e depois fornecemos sugestões corretas para a clínica.