CoTCoNet：用于白血病检测的优化耦合Transformer-卷积网络及自适应图重构

快速准确的血细胞分析是诊断白血病及其他血液恶性肿瘤的有效方法。然而，手动白血球计数和形态学评估需要使用显微镜，耗时且容易出错。常规图像处理方法也在区分细胞方面存在局限，由于恶性和良性细胞形态学的相似性。这种局限性又因训练数据偏斜而加剧，阻碍了可靠且相关特征的提取。为此，我们提出了一种用于白血病分类的优化耦合Transformer卷积网络（CoTCoNet）框架，采用精心设计的Transformer与深度卷积网络相结合，有效捕获全局特征和可扩展的空间模式，实现对复杂大规模血液学特征的识别。进一步，该框架集成了基于图的特征重构模块，以揭示白血球细胞中隐藏或难以察觉的生物学特征，并采用基于种群的元启发式算法进行特征选择和优化。为缓解数据不平衡问题，我们采用合成白血球发生器。在评估阶段，我们首先在包含16,982个标注细胞的数据集上测试CoTCoNet，取得了0.9894和0.9893的极高准确率和F1分数。为拓宽模型的普适性，我们在四个公开的多样化数据集上进行了评估，包括上述数据集。结果表明该方法优于当前的先进方法。我们还在框架中集成了一种解释性方法，采用与细胞标注 closely aligned 的特征可视化，以提供对该框架更深入的理解。