Un marco de inteligencia artificial para la detección de leucemia con comparación entre imágenes segmentadas y no segmentadas

Qué problema aborda

La clasificación precisa de los subtipos de leucemia linfoblástica aguda (ALL) es crucial para el diagnóstico y tratamiento de esta enfermedad. El uso de imágenes de frotis de sangre periférica (PBS) y técnicas de aprendizaje profundo puede facilitar un análisis automatizado de esta malignidad sanguínea.

Qué hicieron los autores

Los autores desarrollaron una red neuronal convolucional (CNN) ligera para clasificar los glóbulos blancos en cuatro subtipos: Benigno, Early Pre-B ALL, Pre-B ALL y Pro-B ALL. Evaluaron el rendimiento del modelo utilizando métricas de precisión, curvas ROC y técnicas de explicabilidad, comparando imágenes originales (no segmentadas) con imágenes segmentadas por HSV. Para evitar la fuga de datos a nivel de paciente, aplicaron un agrupamiento no supervisado de histogramas de color HSV, organizando 3,256 imágenes en 89 "grupos de proxy-paciente". Implementaron una validación cruzada rigurosa a nivel de sujeto y protocolos de retención.

Qué encontraron

El modelo alcanzó una precisión del 98.8% en imágenes no segmentadas y del 91.3% en imágenes segmentadas. Este beneficio de rendimiento se mantuvo bajo una validación cruzada estricta a nivel de sujeto, con un 97.9% frente a un 89.7% en las imágenes segmentadas. Las visualizaciones de explicabilidad mostraron que la segmentación HSV eliminó información contextual morfológica vital, lo que aumentó la confusión entre subtipos relacionados.

Limitaciones

El texto disponible no detalla limitaciones específicas más allá de la discusión sobre la segmentación de imágenes.

Lectura final

Este estudio resalta la importancia de evaluar los métodos de preprocesamiento en la imagen médica, sugiriendo que la segmentación de imágenes no siempre es beneficiosa y que se debe justificar empíricamente. La capacidad de clasificar subtipos de leucemia a partir de imágenes crudas podría transformar el enfoque hacia el diagnóstico automatizado en hematología.