Optimal Detection of Acute Lymphoblastic Leukemia Using Deep Transfer Learning Model
Notice bibliographique
Résumé
Acute Lymphoblastic Leukemia (ALL), a rapidly progressing malignancy originating from hematopoietic cells, necessitates prompt and precise diagnosis due to its potential lethality within a short span of months.Technological advancements are therefore pivotal in aiding medical practitioners to reduce the probability of human error, expedite diagnosis and subsequently, improve patient outcomes.This study presents a novel system leveraging Convolutional Neural Networks (CNNs), capable of diagnosing ALL through image analysis of affected cells.Our proposed system employs two well-established CNN architectures, VGG16 and ResNet50, coupled with two optimization algorithms, Adam and RMSprop, to classify image data into two distinct categories.The utilized dataset, C-NMC Leukemia 2019, was subjected to a variety of test scenarios involving differing epoch variations (10, 20, 30, 40, 50, 60, 80, and 100) and a consistent learning rate of 0.0001.The results suggest that the proposed system exhibits superior performance when utilizing the VGG16 architecture in conjunction with the Adam optimizer, achieving a training accuracy of 93.80% and a testing accuracy of 87.00%.The findings of this study accentuate the potential of integrating deep learning techniques into the diagnostic process of ALL, thereby facilitating rapid, precise detection and ultimately contributing to the improvement of patient prognosis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».