CNN ligero eficiente para la clasificación automática de la leucemia linfoblástica aguda de células B

Área de la Ciencia:

• Hematología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• La leucemia linfoblástica aguda de células B (LLA-B) es una neoplasia hematológica de rápido progreso con tasas de supervivencia reducidas debido al diagnóstico en etapa tardía.
• La obtención de imágenes del frotis de sangre periférica (PBS) es crucial para el cribado preliminar de B-ALL, ya que ofrece una base para el diagnóstico asistido por computadora.
• Los métodos de diagnóstico actuales pueden ser costosos y requerir mucho tiempo, lo que pone de relieve la necesidad de herramientas de detección eficientes y accesibles.

Objetivo del estudio:

• Desarrollar una red neuronal convolucional ligera (CNN) para la clasificación directa de los subtipos B-ALL a partir de imágenes de PBS.
• Crear un modelo computacionalmente eficiente que evite la necesidad de pre-segmentación.
• Mejorar la representación de características mediante el uso de módulos de compresión y excitación (SE) dentro de los bloques residuales invertidos.

Principales métodos:

• Se diseñó una nueva arquitectura ligera de CNN, que incorpora módulos SE en bloques residuales invertidos.
• El modelo fue entrenado y evaluado en imágenes de PBS para la clasificación B-ALL.
• La validación cruzada de conjuntos de datos se realizó en un conjunto de datos independiente para evaluar la generalizabilidad.
• La interpretabilidad del modelo se logró utilizando técnicas Grad-CAM y LIME.

Principales resultados:

• La CNN propuesta alcanzó el 100% de precisión, sensibilidad, especificidad, puntuación F1 y MCC en el conjunto de datos primario.
• La validación cruzada de conjuntos de datos demostró una robusta precisión del 99,85% sin reentrenamiento.
• Los métodos de interpretación resaltaron con éxito las características celulares clave indicativas de B-ALL.

Conclusiones:

• El marco desarrollado ofrece una solución altamente precisa, eficiente en recursos e interpretable para la clasificación automatizada de B-ALL.
• El rendimiento y la generalización del modelo indican un gran potencial de integración en la práctica clínica para el diagnóstico precoz.
• El código disponible públicamente facilita la investigación y la aplicación de esta herramienta de diagnóstico impulsada por la IA.