Hybrid Deep Learning Framework for Anemia Detection and Classification Using RBC Images and CBC Data

Technische Samenvatting: Hybride Deep Learning Framework voor Detectie en Classificatie van Anemie

Probleemstelling
Anemie (bloedarmoede), gekenmerkt door een vermindering van rode bloedcellen (RBC's) of hemoglobinegehalten, is een wijdverbreide hematologische aandoening die een aanzienlijk deel van de wereldbevolking treft, met name vrouwen, kinderen en zwangere vrouwen. Hoewel routinematige klinische diagnostiek zoals Complete Blood Count (CBC)-analyse en onderzoek van perifere bloeduitstrijkjes effectief zijn, zijn ze vaak tijdrovend, duur en vereisen ze getraind personeel. Dit artikel adresseert de behoefte aan snelle, goedkope en geautomatiseerde screeningsprocedures die kunnen bijdrage aan vroege detectie en ernstclassificatie, vooral in omgevingen met beperkte middelen.

Methodologie
De auteurs stellen een hybride framework voor dat twee verschillende datamodaliteiten integreert: morfologische analyse van RBC-uitstrijkjes (afbeeldingen) en kwantitatieve analyse van CBC-rapportgegevens.

1. Beeldgebaseerde Classificatie (RBC-uitstrijkje Analyse):

   • Dataset: De studie maakt gebruik van een dataset van gesegmenteerde perifere bloeduitstrijkjes die gecategoriseerd zijn in gezonde en anemie-klassen.
   • Preprocessing: Afbeeldingen worden vergroot naar 224x224 pixels, genormaliseerd om intensiteitsvariaties op te vangen, en geaugmenteerd (rotatie, spiegeling, zoomen, aanpassing van helderheid) om overfitting te voorkomen.
   • Modelvergelijking: Vijf vooraf getrainde Convolutional Neural Network (CNN) architecturen werden geëvalueerd met behulp van transfer learning over 30 epochs: ResNet-18, VGG19, MobileNetV2, EfficientNet-B0 en DenseNet121.
   • Selectie: DenseNet121 werd geselecteerd als de optimale architectuur vanwege het dense verbindingmechanisme, wat hergebruik van kenmerken faciliteert, de gradiëntstroom verbetert en vanishing gradients vermindert. Het demonstreerde een superieur vermogen in het leren van fijnmazige RBC-kenmerken.

2. CBC-gebaseerde Ernstvoorspelling:

   • Data: Het systeem maakt gebruik van standaard hematologische parameters waaronder Hemoglobine (HGB), Hematocriet (HCT), Mean Corpuscular Volume (MCV), Mean Corpuscular Hemoglobin (MCH), MCHC, RBC-telling, WBC-telling, Bloedplaatjes (PLT) en Red Cell Distribution Width (RDW).
   • Modellering: Een Stacking Ensemble benadering werd ontwikkeld om de ernst van anemie te voorspellen.
     • Base Classifiers: K-Nearest Neighbors (KNN), Random Forest (RF) en XGBoost.
     • Meta-Classifier: Logistische Regressie.
   • Proces: Base classifiers worden onafhankelijk getraind, hun voorspellingen worden geaggregeerd als nieuwe kenmerken, en de meta-classifier genereert de uiteindelijke ernstvoorspelling.

Belangrijkste Bijdragen

• Hybride Architectuur: Het artikel presenteert een tweeledig systeem dat de visuele diagnostische kracht van deep learning (voor morfologie) combineert met de statistische voorspellende kracht van ensemble machine learning (voor klinische parameters).
• Architecturale Benchmarking: Een vergelijkende analyse van vijf state-of-the-art CNN's specifiek voor RBC-uitstrijkje classificatie, waarbij DenseNet121 is geïdentificeerd als de meest effectieve voor deze specifieke medische beeldtaak.
• Ensemble Optimalisatie: De ontwikkeling van een stacking classifier voor CBC-data, die aantoont dat het combineren van diverse algoritmen (KNN, RF, XGBoost) een hogere nauwkeurigheid oplevert dan individuele modellen voor gestructureerde hematologische data.

Resultaten

• Beeldclassificatie: DenseNet121 behaalde de hoogste prestatie onder de geteste CNN's, met een nauwkeurigheid van 94,0% op de testset. Het model vertoonde een precisie, recall en F1-score van 0,94, met een validatienauwkeurigheid van 95,0%. De inferentietijd werd geregistreerd op 0,2585 seconden per afbeelding op een CPU, wat wijst op geschiktheid voor praktische triage.
• Ernstvoorspelling: Het stacking ensemble model toegepast op CBC-data bereikte een nauwkeurigheid van 98,0% in het voorspellen van de ernst van anemie. De confusion matrix gaf een hoge betrouwbaarheid aan bij het onderscheiden van verschillende ernstniveaus.
• Generalisatie: Trainings- en validatiecurves van het DenseNet121-model vertoonden minimale divergentie (loss dalend van 0,1325 naar 0,0798), wat duidt op sterke generalisatiecapaciteiten zonder significante overfitting.

Betekenis en Claims
De auteurs beweren dat dit framework een "grondige en praktisch nuttige oplossing" biedt voor het monitoren en graderen van anemie. Door sterke beeldanalyse te integreren met machine learning voor CBC-analyse, beoogt het systeem de efficiëntie in routinematige workflows te verbeteren. Het artikel stelt dat de voorgestelde methode effectief en inzetbaar is voor snelle screening, in staat om zorgverleners te ondersteunen bij vroege detectie en de beoordeling van de ernst van symptomen. De studie concludeert dat de hybride benadering succesvol voldoet aan de doelstellingen van automatische en efficiënte diagnose op basis van zowel visuele als klinische kenmerken.

Beperkingen en Toekomstige Richtingen
De auteurs erkennen dat hoewel het framework veelbelovend is, toekomstig werk validatie met grotere en complexere klinische monsters vereist. Ze suggereren ook de integratie van Explainable AI (XAI) technieken om de klinische interpreteerbaarheid te vergroten en de ontwikkeling van nieuwe hematologische parameters. Het uiteindelijke doel dat wordt genoemd, is de directe implementatie van het systeem in diagnostische settings.