支持镰状细胞病诊断的机器学习方法优选：面向显微镜图像细胞形态分析的一般可解释方法

在本工作中，我们提出一种基于前沿技术选择分类方法与特征的方法，以通过红细胞外周血涂片图像获得最佳诊断支持性能。在我们的案例中，我们使用了镰状细胞病患者的样本，该方法可推广至其他研究情形。为信任所提出系统的行为，我们还分析了可解释性。我们对显微图像进行预处理和分割，以确保高特征质量。我们应用文献中的方法从血细胞提取特征，并应用机器学习方法对其形态进行分类。接着，我们在特征提取阶段的结果数据中搜索其最佳参数。然后，我们使用随机搜索和网格搜索为每个分类器找到最佳参数。为推进科学进展，我们发布了每个分类器的参数、实现的代码库、含原始数据的混淆矩阵，并使用公共 erythrocytesIDB 数据集进行验证。我们还定义了如何为分类选择最重要的特征，以降低复杂度和训练时间，并用于不透明模型的可解释性目的。最后，将性能最佳的分类方法与前沿技术比较，即使使用可解释模型分类器我们也获得了更好的结果。