Advances in Leukemia detection and classification: A Systematic review of AI and image processing techniques
Notice bibliographique
Résumé
Background: Leukemia, a heterogeneous group of blood cancers, poses significant challenges to global health due to its complexity, diverse risk factors, and variable outcomes. Accurate and early diagnosis is critical but remains a significant hurdle, particularly in low-resource settings. Recent advancements in artificial intelligence (AI) and image processing offer transformative solutions to improve leukemia detection and classification, addressing limitations in traditional diagnostic methods. Methods: This study systematically reviewed over 25,000 scientific articles sourced from Scopus, employing a PRISMA-guided methodology to ensure a comprehensive and rigorous analysis. The analysis focused on the application of AI, particularly convolutional neural networks (CNNs), in diagnosing four primary leukemia types: acute lymphoblastic leukemia (ALL), acute myeloid leukemia (AML), chronic lymphocytic leukemia (CLL), and chronic myeloid leukemia (CML). It also examined global epidemiological trends, risk factors, and disparities in healthcare access. Results: Key risk factors for leukemia include genetic syndromes like Down syndrome, environmental exposures to toxins such as benzene, ionizing radiation, and viral infections. Socio-economic disparities and geographical differences significantly impact leukemia incidence and outcomes. AI-based models, especially CNNs, demonstrated enhanced accuracy, speed, and reliability in diagnosing leukemia compared to traditional methods. However, challenges such as data variability, model scalability, and unequal access to AI technologies continue to hinder widespread adoption. Conclusion: AI and image processing technologies hold immense potential to revolutionize leukemia diagnostics by enabling early detection, precise classification, and personalized treatment planning. Addressing critical challenges, including data standardization and equitable access to these technologies, will be vital for global application. This review highlights the transformative role of AI in improving leukemia outcomes and advancing precision medicine worldwide.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 | 0,000 |
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 ».