Rule-based BloodCell interpretable and actionable hematological classification using ConvNeXt-Tiny

Muhammad Adnan Tariq

doi:10.1016/j.eswa.2026.134553

Rule-based BloodCell interpretable and actionable hematological classification using ConvNeXt-Tiny

2026-10-01

0

PRE

AI

M

Muhammad Adnan Tariq

S

Sheikh Muhammad Saqib

DOI：10.1016/j.eswa.2026.134553

原文链接

原文求助

摘要

En 中文

外周血细胞自动识别与分类对于诊断从系统性感染到白血病的多种血液学疾病至关重要。此类分类通过提供差异细胞计数和检测异常细胞形态来支持诊断，而非直接诊断疾病。传统的手动显微镜检查工作量大且易产生主观误差，而现有的深度学习“黑箱”模型通常缺乏临床应用所需的透明度。本研究提出了一种基于ConvNeXt-Tiny架构的可解释、研究导向型决策支持框架，通过调整超参数并将输入分辨率优化为64×64像素以实现快速、轻量级训练。模型在包含17,107张图像的数据集上进行训练，其中13,685张用于训练，3,422张用于测试，涵盖八个类别：嗜碱性粒细胞、嗜酸性粒细胞、红系祖细胞、不成熟粒细胞（IG）、淋巴细胞、单核细胞、中性粒细胞和血小板。在独立测试集上，模型达到总体准确率0.98和加权F1分数0.98。可靠性通过马修斯相关系数（MCC）0.974和科恩Kappa值0.974进行评估，表明与专家标注的真实值高度一致。关键贡献在于通过LIME（局部可解释模型无关解释）整合可解释人工智能（XAI），突出显示影响性超像素以空间验证细胞形态。这些视觉解释由基于规则的临床决策支持（专家系统）模块补充，该模块将预测的细胞类别映射到预定义的非诊断性临床指南。通过结合深度学习特征提取和源自标准血液学参考的基于规则的建议，该框架提供了一个透明、轻量级的研究原型，旨在辅助而非替代专家血液学评估。与现有方法（表6）相比，它涵盖所有八个临床相关类别，具有竞争力的准确性和可靠性，并增加了区域级LIME可解释性和基于规则的决策支持层，而大多数先前系统缺乏此类功能。

Keyword:

ConvNeXt-Tiny

Blood cell classification

Explainable AI (XAI)

LIME

Rule-based decision support

Hematology

Deep learning

Rule-based BloodCell interpretable and actionable hematological classification using ConvNeXt-Tiny

摘要

期刊

机构

引用论文