Wydajna klasyfikacja białych krwinek w oparciu o CNN: badanie porównawcze wydajności modeli

Białe krwinki (WBC) są integralną częścią układu odpornościowego i odgrywają kluczową rolę w obronie organizmu przed różnymi chorobami i infekcjami. Dokładna analiza ilościowa i jakościowa różnych typów białych krwinek jest niezbędna do skutecznej diagnostyki i leczenia wielu schorzeń. Liczenie i klasyfikacja tych komórek to podstawowe etapy badania i analizy próbek krwi. Niniejsze badanie koncentruje się na ocenie trzech architektur opartych na konwolucyjnych sieciach neuronowych (CNN) – ResNet-50, VGG-16 i klasycznej CNN – pod kątem klasyfikacji kategorii obrazów komórek krwi przy użyciu wyselekcjonowanego zbioru danych z serwisu Kaggle. Przeszkoliliśmy i oceniliśmy wydajność każdego modelu przy użyciu krzywych dokładności, macierzy pomyłek i raportów klasyfikacyjnych. Spośród testowanych architektur model ResNet-50 osiągnął najwyższą dokładność walidacji wynoszącą około 80%, a następnie VGG-16 79,6% i klasyczna CNN 76,2%. Zarówno VGG-16, jak i klasyczna sieć CNN wykazały znaczne nadmierne dopasowanie, z dużymi różnicami między dokładnością szkolenia a dokładnością walidacji. Wyniki te podkreślają wyzwania związane z klasyfikacją obrazów w niezrównoważonych zbiorach danych i sugerują kierunki przyszłych ulepszeń poprzez rozszerzenie danych i udoskonalenie architektury.