Leukemi är en form av cancer som kan vara en dödlig sjukdom. För att rehabilitera och behandla sjukdomen krävs det en korrekt och tidig diagnostisering. För att minska väntetiden för testresultaten har de ordinära metoderna transformerats till automatiserade datorverktyg som kan analyser och diagnostisera symtom. I detta arbete, utfördes det en komparativ studie. Det man jämförde var två olika metoder som detekterar leukemia. Den ena metoden är en genetisk sekvenserings metod som är en binär klassificering och den andra metoden en bildbehandlings metod som är en fler-klassad klassificeringsmodell. Modellerna hade olika inmatningsvärden, däremot använde sig de båda av Convolutional neural network (CNN) som nätverksarkitektur och fördelade datavärdena med en 3-way cross-validation teknik. Utvärderings metoderna för att analysera resultaten är learning curves, confusion matrix och klassifikation rapport. Resultaten visade att den genetiska sekvenserings metoden hade fler antal värden som var korrekt förutsagda med 98 % noggrannhet. Den presterade bättre än bildbehandlings metoden som hade värde på 81% noggrannhet. Storlek på de olika datauppsättningar kan vara en orsak till algoritmernas olika testresultat.

Leukemia is a form of cancer that can be a fatal disease, and to rehabilitate and treat it requires a correct and early diagnosis. Standard methods have transformed into automated computer tools for analyzing, diagnosing, and predicting symptoms. In this work, a comparison study was performed by comparing two different leukemia detection methods. The methods were a genomic sequencing method, which is a binary classification model and a multi-class classification model, which was an images-processing method. The methods had different input values. However, both of them used a Convolutional neural network (CNN) as network architecture. They also split their datasets ​​using 3-way cross-validation. The evaluation methods for analyzing the results were learning curves, confusion matrix, and classification report. The results showed that the genome model had better performance and had several numbers of values ​​that were correctly predicted with a total accuracy of 98%. This value was compared to the image processing method results that have a value of 81% total accuracy. The size of the different data sets can be a cause of the different test results of the algorithms.