Resumen

Este documento presenta el reconocimiento para la clasificación de la OMS de los subtipos de leucemia linfoblástica aguda (LLA). Los dos subtipos de LLA considerados son la leucemia linfoblástica T (pre-T) y la leucemia linfoblástica B (pre-B). Presentan diversas características que dificultan la distinción de los subtipos a partir de sus células maduras, los linfocitos. En un enfoque común, las características elaboradas a mano deben estar bien diseñadas para este complejo problema de dominio específico. Con el enfoque de aprendizaje profundo, la ingeniería de características artesanales puede eliminarse porque un método de aprendizaje profundo puede automatizar esta tarea a través de la arquitectura multicapa de una red neuronal convolucional (CNN). En este trabajo, implementamos un clasificador CNN para explorar la viabilidad del enfoque de aprendizaje profundo para identificar linfocitos y subtipos de LLA, y este enfoque se compara con un enfoque dominante de máquinas de vectores de soporte (SVM) que aplican ingeniería de características artesanales. Además, también se aplican dos clasificadores tradicionales de aprendizaje automático, el perceptrón multicapa (MLP) y el bosque aleatorio para la comparación. Los experimentos muestran que nuestro clasificador CNN ofrece un mejor rendimiento para identificar linfocitos normales y células pre-B. Esto muestra un gran potencial para la clasificación de imágenes sin necesidad de múltiples pasos de preprocesamiento de la ingeniería de características.

• Materias:Biotecnología Minería de datos Algoritmo genético Neurociencia Cognitiva Neurofisiología
• Subjects:Biotechnology Data mining Genetic algorithm Cognitive Neuroscience Neurophysiology
• Palabras claves:enfoque de aprendizaje profundo, ingeniería de características, subtipos, clasificador cnn, leucemia linfoblástica, paso de preprocesamiento múltiple, clasificador de aprendizaje automático, métodos de aprendizaje profundo, red neuronal convolucional, máquina de vectores de apoyo
• Keywords:deep learning approach, features engineering, subtypes, cnn classifier, lymphoblastic leukaemia, multiple preprocessing step, machine learning classifier, deep learning methods, convolutional neural network, support vector machine