Klasifikasi Acute Lymphoblastic Leukemia (ALL) menggunakan SqueezeNet berdasarkan citra sel darah

INDONESIA :

Leukemia adalah salah satu jenis kanker darah yang memerlukan diagnosis dini yang cepat dan akurat. Diagnosis manual melalui pemeriksaan mikroskopis sel darah membutuhkan keahlian khusus dan waktu yang lama, sehingga diperlukan pendekatan otomatis berbasis kecerdasan buatan untuk membantu proses klasifikasi. Penelitian ini menggunakan model SqueezeNet yang dilengkapi dengan 10 unit Fire untuk mengklasifikasikan gambar sel darah terkait leukemia limfoblastik akut (ALL) dan sel darah normal (HEM) pada dataset C-NMC 2019. Evaluasi dilakukan pada tiga skenario pembagian data (70:30, 80:20, 90:10) dan tiga ukuran batch yang berbeda (16, 32, 64). Hasil terbaik diperoleh pada skenario 80:20 dengan ukuran batch 16, di mana akurasi mencapai 84,36%, akurasi spesifik 84,5%, tingkat pemulihan 79%, dan indeks F1 80,5%. Studi ini juga menyimpulkan bahwa ukuran batch optimal bersifat dinamis — batch kecil lebih efektif pada data pelatihan yang terbatas, sedangkan batch besar memberikan estimasi gradien yang lebih stabil pada data pelatihan yang besar. Hasil ini menunjukkan bahwa SqueezeNet memiliki potensi sebagai model ringan dengan kinerja klasifikasi yang baik, sehingga dapat dikembangkan sebagai teknologi pendukung untuk diagnosis leukemia di lingkungan medis yang memiliki keterbatasan sumber daya komputasi.

INGGRIS :

Leukemia is a type of blood cancer that requires rapid and accurate early diagnosis. Manual diagnosis through microscopic examination of blood cells requires specialized expertise and a significant amount of time, making an automated, artificial intelligence-based approach necessary to assist in the classification process. This study uses a SqueezeNet model equipped with 10 Fire units to classify images of blood cells associated with acute lymphoblastic leukemia (ALL) and normal blood cells (HEM) in the C-NMC 2019 dataset. Evaluation was conducted across three data split scenarios (70:30, 80:20, 90:10) and three different batch sizes (16, 32, 64). The best results were obtained in the 80:20 scenario with a batch size of 16, where accuracy reached 84.36%, specific accuracy 84.5%, recall 79%, and F1 score 80.5%. This study also concluded that the optimal batch size is dynamic smaller batches are more effective with limited training data, while larger batches provide more stable gradient estimates with large training datasets. These results indicate that SqueezeNet has the potential to serve as a lightweight model with good classification performance, making it suitable for development as a supporting technology for leukemia diagnosis in medical settings with limited computational resources.

ARAB :

اللوكيميا هي أحد أنواع سرطان الدم التي تتطلب تشخيصًا مبكرًا سريعًا ودقيقًا. يتطلب التشخيص اليدوي من خلال الفحص المجهري لخلايا الدم خبرة خاصة ووقتًا طويلاً، لذا فإن هناك حاجة إلى نهج آلي قائم على الذكاء الاصطناعي للمساعدة في عملية التصنيف. تستخدم هذه الدراسة نموذج SqueezeNet المزود بـ 10 وحدات Fire لتصنيف صور خلايا الدم الخاصة بسرطان الدم الليمفاوي الحاد (ALL) وخلايا الدم الطبيعية (HEM) في مجموعة البيانات C-NMC 2019. أُجري التقييم على ثلاثة سيناريوهات لتقسيم البيانات (70:30، 80:20، 90:10) وثلاثة أحجام مختلفة للدُفعات (16، 32، 64). وقد تم الحصول على أفضل النتائج في سيناريو 80:20 مع حجم الدفعة 16، حيث بلغت الدقة 84,36%، والدقة النوعية 84,5%، ومعدل الاسترجاع 79%، ومؤشر F1 80,5%. كما توصلت هذه الدراسة إلى أن الحجم الأمثل للدفعة ديناميكي — فالدفعات الصغيرة تكون أكثر فعالية في حالة البيانات التدريبية المحدودة، في حين توفر الدفعات الكبيرة تقديرات أكثر استقرارًا للتدرج في حالة البيانات التدريبية الكبيرة. وتشير هذه النتائج إلى أن SqueezeNet يمتلك إمكانات كونه نموذجًا خفيفًا يتمتع بأداء تصنيفي جيد، مما يجعله قابلاً للتطوير كتقنية داعمة لتشخيص سرطان الدم في البيئات الطبية التي تعاني من محدودية موارد الحوسبة.