综述：深度学习在自动检测血液涂片图像中急性淋巴细胞白血病方面的最新进展：一项系统性综述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：Recent Advances in Deep Learning for Automated Acute Lymphoblastic Leukemia Detection from Blood Smear Images: A Systematic Survey

　　

摘要

白血病是一种危及生命的血液系统恶性肿瘤，会影响白细胞和骨髓。为了改善患者的治疗效果，需要高效、及时且准确的诊断程序。急性淋巴细胞白血病（ALL）是儿童群体中常见的癌症类型。本研究系统地回顾了利用血液涂片成像技术识别和分类ALL的深度学习（DL）方法。根据PRISMA指南，对2019年至2025年间发表的基于DL的研究进行了文献计量分析，探讨了这些研究在方法、数据集和ALL检测性能方面的趋势。该综述强调了预处理策略、特征提取流程以及不同分类框架的重要性。所使用的方法包括卷积神经网络、迁移学习模型、注意力机制、CNN-Transformer组合结构以及可解释AI技术。研究还分析了ALL-IDB、C-NMC和BloodMNIST等常用基准数据集的使用模式和报告的性能。许多研究在受控实验中显示出较高的准确性。然而，目前仍存在一些挑战，如数据集规模和多样性有限、类别不平衡、细胞形态重叠以及外部临床验证不足。研究结果表明，尽管DL在自动化ALL诊断方面展现出巨大潜力，但现有系统仍处于研究和原型阶段。要开发出可靠且经济可行的医疗解决方案，还需要进行大量工作。该综述指出了重要的研究空白，并提出了未来的研究方向，强调了需要多样化和具有临床代表性的数据集、提升模型的泛化能力以及整合可解释模型的重要性。同时，也关注于构建适用于实际临床应用的轻量级架构。