利用YOLOv8模型進行Myeloid系列白血球分類的可行性評估

本研究聚焦於Myeloid系列白血球分類的自動化技術，特別針對白血球的影像分類任務進行探討。白血球分類在血液疾病的診斷、感染性疾病的評估以及腫瘤治療監測中具有重要臨床價值。然而，傳統依賴人工顯微鏡檢的分類方法耗時且易受主觀影響，難以滿足快速診斷的需求。為此，本研究採用了YOLOv8(You Only Look Once version 8)模型，探索其在Myeloid系列白血球影像分類中的應用潛力。研究範疇涵蓋六種Myeloid系列白血球，包括Segment、Band、Metamyelocyte、Myelocyte、Promyelocyte和Blast，並收集網路公開數據集，共585張影像。數據集依比例分為訓練集、驗證集與測試集，模型訓練過程採用YOLOv8預訓練權重，設定30次訓練輪數，並透過重複訓練與性能指標如F1分數、Precision-Recall曲線及混淆矩陣進行模型表現評估。結果顯示，YOLOv8在測試集上的F1分數達到0.93，平均精確率為0.966，表現出色的分類性能與穩定性。本研究證實YOLOv8在Myeloid系列白血球影像分類中的應用潛力，未來可進一步拓展數據集及應用範疇，如抗核抗體圖像與微生物鑑定等，為臨床診斷提供更高效的解決方案。