用于白细胞图像轻量级、鲁棒且可解释分类的神经细胞自动机

血液系统恶性肿瘤的诊断依赖于在外周血涂片中准确识别白细胞。深度学习技术正成为一种通过自动细胞分类来扩展和优化该过程的可行解决方案。然而，这些技术面临若干挑战，如泛化能力有限、对领域偏移敏感以及缺乏可解释性。在此，我们引入一种基于神经细胞自动机（NCA）的白细胞分类新方法。我们在三个白细胞图像数据集上测试了该方法，并表明与传统方法相比取得了具有竞争力的性能。我们基于 NCA 的方法在参数量上显著更小，并展现出对领域偏移的鲁棒性。此外，该架构具有固有的可解释性，能够为每次分类的决策过程提供洞察，有助于理解和验证模型预测。我们的结果表明，NCA 可用于图像分类，并且解决了传统方法的关键挑战，显示出在临床实践中应用的巨大潜力。