4、外周血涂片分析的深度学习进展与挑战

外周血涂片分析的深度学习进展与挑战

1. 血液细胞分类与检测

在血液细胞分类与检测方面，有多种方法被应用以提高准确性。为了将红细胞（RBCs）分为正常和异常类型，提取了如质心、中轴比和细胞变形比等特征，并将这些特征输入到极限学习机（ELM）进行分类，整体红细胞分类准确率达到了 90.10%，白细胞（WBC）亚型中单核细胞的分类准确率最高，达到 98.68%。

还有研究者使用胶囊神经网络在 LISC 数据集上对血细胞进行分类，将其分为五种主要的白细胞亚型；也有提出分类系统的同时，还展示了不同的细胞增强方法，即通过分割血细胞并将其粘贴到不同的微观背景图像上进行数据增强，该模型的准确率达到 97.6%。

以下是部分血液细胞检测与分类方法的总结表格：
| 方法 | 数据集 | 结果 |
| — | — | — |
| 胶囊神经网络 | LISC 数据集 | 准确率：96.86% |
| AlexNet + SVM | 私有数据集 | 准确率：99% |
| YOLO + SSD | 私有数据集 | 平均准确率：90.09% |
| CNN | 私有数据集 | 准确率：97.6% |

2. 白血病诊断

白血病是一种致命的恶性肿瘤，主要分为急性和慢性两种类型，每种类型又根据白细胞的大小和形状分为淋巴样和髓样两个亚型。急性白血病通常在出现临床症状后，需通过实验室检查来确诊。初始检查包括全血细胞计数（WBCs、RBCs、血小板）和外周血涂片，但在很多情况下，这些检查不足以确诊，还需要进行骨髓涂片和活检。在骨髓样本中，白细胞的数量和形状是诊断白血病的关键。

不同的研究采用了多