🤖 machine learning

Early Detection of Acute Myeloid Leukemia (AML) Using YOLOv12 Deep Learning Model

Deze studie toont aan dat het gebruik van het YOLOv12-deeplearningmodel gecombineerd met Otsu-drempelwaardering voor celsegmentatie een nauwkeurigheid van 99,3% bereikt bij het vroegtijdig detecteren en classificeren van acute myeloïde leukemie (AML).

Oorspronkelijke auteurs: Enas E. Ahmed, Salah A. Aly, Mayar Moner

Gepubliceerd 2026-04-20

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC0 1.0

Oorspronkelijke auteurs: Enas E. Ahmed, Salah A. Aly, Mayar Moner

Oorspronkelijk artikel vrijgegeven aan het publieke domein onder CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Het Kwalijkste Spel van 'Vind de Valspeler': AML en AI

Stel je voor dat je een enorme, drukke markt bezoekt. Op deze markt lopen duizenden mensen rond. De meeste zijn normale, gezonde burgers (gezonde bloedcellen), maar er lopen ook een paar 'valsers' rond die de markt willen verstoren. Deze valsers heten AML (Acute Myeloïde Leukemie). Het probleem is dat deze valsers er bijna precies uitzien als de normale mensen. Zelfs voor een ervaren politieman (een arts) is het soms heel lastig om ze op het eerste gezicht te onderscheiden.

De auteurs van dit paper (Enas, Salah en Mayar) hebben een super-snel en slim camera-systeem (een AI-model) gebouwd dat deze valsers in een flits kan herkennen, nog voordat ze schade kunnen aanrichten.

1. Het Probleem: De Verkeerde Spelers

Bloedcellen zijn als een team van werknemers in een fabriek.

Myeloblasten: Dit zijn de jonge, onvolwassen werknemers. Als ze te veel worden en niet stoppen met groeien, wordt het een ramp (AML).
Neutrofielen: Dit zijn de volwassen, ervaren werknemers.
Basofielen, Monocyten, Erytroblasten: Andere soorten werknemers die soms ook in de war raken.

De uitdaging is dat de 'jonge' en 'oude' werknemers soms heel veel op elkaar lijken. Als je ze niet goed kunt zien, kun je de ziekte te laat ontdekken.

2. De Oplossing: Een Slimme Camera (YOLOv12)

De onderzoekers hebben een nieuw soort camera gebruikt genaamd YOLOv12.

De naam: "You Only Look Once" (Je kijkt maar één keer).
De vergelijking: Stel je voor dat je een foto van een drukke stadstraat krijgt. Een oude manier van kijken was: eerst zoeken naar een auto, dan stoppen en kijken of het een auto is, dan zoeken naar een fiets, etc. Dat duurt lang.
YOLO's manier: Deze camera kijkt naar de hele foto in één oogopslag en zegt direct: "Daar is een auto, daar een fiets, en daar is die ene valsers!" Het is razendsnel en zeer accuraat.

Wat maakt YOLOv12 zo speciaal?
Het heeft een nieuw trucje in zijn hoofd genaamd "Area Attention".

Vergelijking: Stel je voor dat je een groot schilderij bekijkt. Normaal zou je elk penseelstreekje apart moeten bekijken, wat heel veel werk is. YOLOv12 splitst het schilderij in vier grote stukken (zoals een taart). Het kijkt eerst naar het ene stuk, dan het andere. Zo ziet het snel waar de belangrijke details zitten zonder de hele tijd te hoeven rekenen. Hierdoor is het niet alleen slim, maar ook supersnel.

3. De Voorbereiding: De Foto's Scherp Stellen

Voordat de camera de foto's kon bekijken, moesten de onderzoekers de foto's eerst "opkuisen". De originele foto's van bloedcellen zijn vaak rommelig. Ze hebben twee methoden gebruikt om de cellen eruit te halen:

De Kleur-Filter (Hue Channel):
- Vergelijking: Stel je voor dat je een foto van een bos hebt. Je wilt alleen de rode bloemen zien. Je zet een bril op die alleen rood doorlaat. Alles wat niet rood is, wordt grijs. Zo zie je de bloemen heel duidelijk.
De Licht-Duisternis Filter (Otsu Thresholding):
- Vergelijking: Dit is alsof je de foto in zwart-wit zet en de contrasten zo hard zet dat de cellen eruit springen als silhouetten tegen een witte achtergrond. Alles wat donker is, is een cel; alles wat licht is, is de achtergrond.

Ze hebben dit gedaan voor de hele cel én voor alleen de celkern (het hartje van de cel).

4. Het Resultaat: De Winnaar

De onderzoekers hebben de camera (YOLOv12) getraind met duizenden foto's van deze vijf soorten cellen. Ze hebben gekeken welke combinatie het beste werkte.

De grote winnaar: De combinatie van YOLOv12 + Otsu-filter (de zwart-wit silhouet-methode) + Foto's van de hele cel.
Het resultaat: Deze combinatie had een 99,3% slagingskans.
- Vergelijking: Als je 1000 mensen op een feestje zou laten zoeken naar de valsers, zou deze AI er 993 van vinden en zou hij er maar 7 naast grijpen. Dat is bijna perfect.

5. Waarom is dit belangrijk?

Vroeger moesten artsen urenlang door microscopen kijken en moesten ze zich afvragen: "Is dit nu een gezonde cel of een ziektecel?" Dat is vermoeiend en menselijk fouten kunnen gebeuren.

Met dit nieuwe systeem kunnen computers de ziekte heel vroeg detecteren, nog voordat het te laat is. Het is alsof je een super-scherpe bewakingscamera hebt die 24/7 kijkt en direct alarm slaat als er een valsers op de markt verschijnt.

Samenvatting in één zin:

De onderzoekers hebben een supersnel AI-systeem (YOLOv12) getraind om, met behulp van slimme foto-filters, bijna foutloos de gevaarlijke bloedcellen van leukemie te onderscheiden van de gezonde cellen, waardoor artsen de ziekte veel sneller en beter kunnen behandelen.

Probleemstelling

Acute Myeloïde Leukemie (AML) is een levensbedreigende vorm van bloedkanker die kenmerkend is door de snelle proliferatie van onvolwassen myeloïde voorlopercellen (myeloblasten). De accurate classificatie van AML is een complexe taak vanwege de visuele gelijkenis tussen verschillende celtypen in histopathologische afbeeldingen. Bestaande onderzoek naar AML-classificatie kampt met enkele kritieke beperkingen:

Beperkte beschikbaarheid: Er is een tekort aan goed geannoteerde datasets voor training en validatie.
Betrouwbaarheidsproblemen: Veel studies gebruiken de testset voor hyperparameter-tuning, wat leidt tot overdreven optimistische resultaten. Een onafhankelijke testset is essentieel.
Onbalans: De ondervertegenwoordiging van bepaalde onvolwassen witte bloedcellen (zoals myeloblasten) in datasets vermindert de leercapaciteit van modellen voor deze specifieke kenmerken.

Methodologie

De studie presenteert een uitgebreide deep learning-workflow voor de automatische classificatie van AML, bestaande uit drie fasen:

Dataset Voorbereiding:
- Er werd gebruikgemaakt van een gebalanceerde dataset van 5.000 afbeeldingen (1.000 per celtype) afkomstig van bronnen zoals TCIA en het Hospital Clinic of Barcelona.
- De dataset omvat vijf kritieke celtypen: basofielen, erytroblasten, monocyten, myeloblasten en gesegmenteerde neutrofielen.
- De data is opgesplitst in training (70%), validatie (15%) en test (15%) sets.
Preprocessing en Segmentatie:
- Twee segmentatiestrategieën werden toegepast om zowel de volledige cellen als de celkernen te isoleren:
  - Hue-kanaal filtering: Gebruikmakend van kleurinformatie.
  - Otsu-thresholding: Een methode voor automatische binarisatie op basis van histogrammen.
- Dit resulteerde in vier distincte datasets: Cellen (Hue), Cellen (Otsu), Kernen (Hue) en Kernen (Otsu).
Model Architectuur:
- Het kernmodel is YOLOv12 (specifiek de YOLOv12-N versie), de nieuwste versie van Ultralytics (per februari 2025).
- Innovatie: YOLOv12 introduceert een nieuw Area Attention-mechanisme. In tegenstelling tot traditionele attention-mechanismen die een kwadratische complexiteit hebben ( $O(n^2)$ ), deelt YOLOv12 het beeld op in segmenten (horizontaal of verticaal). Dit verlaagt de complexiteit tot ongeveer $O(\frac{1}{2}n^2)$ , waardoor het model sneller is maar toch contextuele details behoudt.
- Hoewel ResNet50 en Inception-ResNet50 v2 ook werden overwogen, lag de focus in dit paper op de prestaties van YOLOv12.

Belangrijkste Bijdragen

Verbeterde Generalisatie: Training op een gebalanceerde dataset met diverse myeloïde celtypen.
Geavanceerde Architectuur: Toepassing van YOLOv12, een model dat ontworpen is voor real-time detectie met hoge precisie dankzij het Area Attention-mechanisme.
Robuste Validatie: Strikte scheiding tussen training, validatie en testsets om overfitting te voorkomen en de betrouwbaarheid van de resultaten te garanderen.
Vergelijking van Segmentatiemethoden: Systematische evaluatie van de impact van Hue-filtering versus Otsu-thresholding op zowel cel- als kernsegmentatie.

Resultaten

De prestaties werden gemeten aan de hand van nauwkeurigheid (accuracy), sensitiviteit, specificiteit, precisie en F1-score. De resultaten tonen aan dat de combinatie van YOLOv12 met Otsu-thresholding op celgebaseerde segmentatie de beste prestaties leverde:

Beste Prestatie: 99,3% validatie- en testnauwkeurigheid.
Vergelijking:
- Cellen + Otsu: 99,3% (Beste resultaat).
- Cellen + Hue: 98,8%.
- Kernen + Hue: 98,8%.
- Kernen + Otsu: 98,8%.

De leercurves toonden een stabiele convergentie, en de confusiematrices bevestigden een hoge precisie bij het onderscheiden van de vijf celtypen, zelfs bij de moeilijk te onderscheiden onvolwassen myeloblasten.

Betekenis en Conclusie

Deze studie bewijst dat YOLOv12, wanneer gecombineerd met effectieve beeldsegmentatie (vooral Otsu-thresholding), een krachtig hulpmiddel is voor de vroege detectie en classificatie van AML. Het model overtreft eerdere generaties door een betere balans te vinden tussen snelheid en contextueel inzicht via het Area Attention-mechanisme.

De belangrijkste implicatie is de mogelijkheid tot het ontwikkelen van schaalbare, geautomatiseerde diagnostische tools die de diagnose van AML kunnen versnellen en de afhankelijkheid van handmatische microscopische analyse kunnen verminderen, wat cruciaal is voor een tijdige behandeling van deze levensbedreigende ziekte.