జర్నల్ ఆఫ్ క్లినికల్ ట్రయల్స్
అందరికి ప్రవేశం

నైరూప్య

వివిధ జోక్య కారకాల క్రింద ల్యూకోసైట్‌లను గుర్తించడానికి లోతైన అభ్యాస నమూనా

మెయియు లి, లీ లి, షువాంగ్ సాంగ్, పెంగ్ గే, హన్షన్ జాంగ్, లు లు, జియాక్సియాంగ్ లియు, ఫాంగ్ జెంగ్, కాంగ్ లిన్, షిజీ జాంగ్, జుగువో సన్

ల్యూకోసైట్స్ యొక్క ఖచ్చితమైన గుర్తింపు రక్త వ్యవస్థ వ్యాధుల నిర్ధారణకు ఆధారం. అయినప్పటికీ, ప్రస్తుత పద్ధతులు మరియు సాధనాలు గుర్తింపు ప్రక్రియను పూర్తిగా ఆటోమేట్ చేయడంలో విఫలమవుతాయి లేదా తక్కువ పనితీరును కలిగి ఉంటాయి. ప్రస్తుత స్థితిని మెరుగుపరచడానికి, మేము మరింత తెలివైన పద్ధతులను అభివృద్ధి చేయాలి. ఈ పేపర్‌లో, లోతైన అభ్యాస-ఆధారిత పద్ధతిని ఉపయోగించి ల్యూకోసైట్‌ల కోసం అధిక-పనితీరు గల స్వయంచాలక గుర్తింపును నెరవేర్చడాన్ని మేము పరిశీలిస్తాము. ల్యూకోసైట్ డిటెక్టర్‌ను నిర్మించడానికి పూర్తి పని పైప్‌లైన్ ప్రదర్శించబడుతుంది, ఇందులో డేటా సేకరణ, మోడల్ శిక్షణ, అనుమితి మరియు మూల్యాంకనం ఉంటాయి. మేము తొమ్మిది సాధారణ క్లినికల్ జోక్యం కారకాలను పరిగణనలోకి తీసుకుని, 6273 చిత్రాలను (8595 ల్యూకోసైట్‌లు) కలిగి ఉన్న కొత్త ల్యూకోసైట్ డేటాసెట్‌ను ఏర్పాటు చేసాము. డేటాసెట్ ఆధారంగా, ఆరు ప్రధాన స్రవంతి గుర్తింపు నమూనాల పనితీరు మూల్యాంకనం నిర్వహించబడుతుంది మరియు మరింత బలమైన సమిష్టి పథకం ప్రతిపాదించబడింది. పరీక్ష సెట్‌లోని సమిష్టి పథకం యొక్క mAP@ IoU=0.50:0.95 మరియు mAR@IoU=0.50:0.95 వరుసగా 0.853 మరియు 0.922. నాణ్యత లేని చిత్రాల గుర్తింపు పనితీరు బలంగా ఉంది. మొదటిసారిగా, అసంపూర్ణ ల్యూకోసైట్‌లను గుర్తించడానికి సమిష్టి పథకం 98.84% ఖచ్చితత్వాన్ని ఇస్తుందని కనుగొనబడింది. అదనంగా, మేము వివిధ మోడల్‌ల పరీక్ష ఫలితాలను కూడా పోల్చాము మరియు మోడల్‌ల యొక్క బహుళ తప్పుడు గుర్తింపులను కనుగొన్నాము, ఆపై క్లినిక్ కోసం సరైన సూచనలను అందించాము.