儿童白血病的治愈率在过去50年显著提高，从20世纪70年代的不足10%提升至如今的85%。这一进展得益于多种药物联合使用、临床试验合作及基因研究。尽管治疗仍具挑战性，儿童白血病已转变为可治愈的癌症，未来需确保全球儿童均能受益。

本研究针对急性淋巴细胞白血病（ALL）诊断中的技术应用和可靠性问题，采用图像处理和深度学习方法来显著提高检测精度。通过使用YOLOv8、YOLOv11、ResNet50和Inception-ResNet-v2等先进模型，研究实现了高达99.7%的准确率，能够有效区分不同阶段的ALL及其早期阶段，并准确识别与ALL相混淆的造血细胞。

本研究解决了急性淋巴细胞白血病的早期诊断难题，提出了一种基于深度学习的新方法，能够对白血病进行四个阶段的分类。研究中采用了经过调整的MobileNetV2模型和自定义模型，后者通过卷积层和最大池化层组合构建，最终实现了99.69%的高准确率，显示出其在实际应用中的潜力。

本研究针对传统白血病诊断方法成本高、耗时长且依赖专家知识的缺陷，提出了一种新的混合深度学习模型来提高急性淋巴细胞白血病的检测精度。通过引入不确定性量化和贝叶斯优化，这些模型在公开数据集上实现了显著的检测准确率，最高达100%，显示出其在白血病诊断中的潜在影响。

本研究解决了传统显微镜下手动白细胞计数和形态评估所面临的时间和精确性挑战，提出了优化的耦合变换器卷积网络（CoTCoNet）框架，通过深度卷积网络结合变换器有效捕获血液特征。此外，框架通过图形特征重构和人口基础的元启发式算法，展示了其在白血病分类中的卓越表现，验证结果显示其准确率和F1分数均接近0.99，超越了现有的最先进方法。

血液病学中的计算模型DinoBloom利用单个细胞图像进行分类，提高了诊断准确性。该模型在血液和骨髓涂片的细胞分类方面表现优于其他视觉模型，并可适应各种下游应用。模型可在github上获取。

我们提出了一个新的诊断急性淋巴细胞白血病的流程，通过模拟血液学家的工作流程，实现了高准确率、F1分数、敏感度和特异性。该方法在具有挑战性的数据集上表现良好，且用较小的数据集训练，突显了在其他医学数据集中的潜力。

DinoBloom是一种血液病学计算模型，利用单个细胞图像提高诊断准确性和简化工作流程。该模型基于13个数据集构建，包含超过380,000个白细胞图像。DinoBloom在分类方面表现优于现有模型，并适用于各种应用。模型可在github上获取。

本文评估了一种名为ReluFormer的Transformer模型在Flow CytoMetry（FCM）数据上的应用，提出了一种基于梯度和注意力的可视化技术，并通过儿科急性淋巴细胞白血病（ALL）FCM样本的细胞分类和多边形回归进行了定性评估。结果展示了模型的决策过程和利用技术检查已训练模型的情况。梯度可视化能够识别对特定预测最重要的细胞，而注意力可视化提供了有关Transformer处理FCM数据时的决策过程的洞察。

提供了一个全面真实且大型的数据集，以便于淋巴细胞白血病的早期诊断，通过使用不同成本和放大率的两个显微镜进行数据收集，并提供了基线模型以及基于形态学信息的属性预测。

通过自监督学习方法在血涂片中为基于 MIL 的 AML 亚型分类提供无标签数据的预训练编码器，实现与有监督预训练相媲美的性能，为 AI 基础疾病诊断领域提供了一种经济高效的解决方案。

利用深度学习技术，提出了一种自动化检测急性淋巴细胞白血病的计算机辅助诊断方法，该方法使用多个转移学习模型进行 ALL 分类，并通过本地可解释性模型的背书验证了其准确性，为医疗实践者提供了有价值的工具，突出了可解释人工智能在医学诊断中的影响。

该研究提出了一种无需调参的分类规则，基于自适应受限 L1 最小化方法，证明了其速率最优性。同时，引入了一种具有理论保证的自适应分类器，建立了在 MCR 模型下高维线性判别分析的最优收敛率。该研究在肺癌和白血病研究中应用。