Aprovechar las anotaciones escasas para el diagnóstico de la leucemia en el conjunto de datos de leucemia grande

Área de la Ciencia:

• Imágenes médicas
• Biología computacional
• Hematología

Sus antecedentes:

• La leucemia es un problema de salud mundial importante, que requiere un análisis preciso de glóbulos blancos (WBC) para el diagnóstico.
• Los modelos actuales de aprendizaje profundo para el análisis de la leucemia están limitados por conjuntos de datos pequeños y no diversos, lo que dificulta su aplicación en el mundo real.
• Los conjuntos de datos existentes carecen de la escala y la diversidad de dominio requeridas para una localización, clasificación y evaluación morfológica robustas de WBC.

Objetivo del estudio:

• Abordar las limitaciones de los conjuntos de datos existentes mediante la introducción de un conjunto de datos diverso y a gran escala para el análisis de la leucemia.
• Desarrollar nuevos métodos de aprendizaje profundo para la detección precisa de glóbulos blancos y la predicción de atributos morfológicos.
• Reducir la carga de anotación de los expertos médicos a través de técnicas de anotación escasas.

Principales métodos:

• Se creó un conjunto de datos a gran escala, el "Large Leukemia Dataset" (LLD), a partir de películas de sangre periférica (PBF) de 48 pacientes, utilizando diversos equipos de microscopía e imágenes.
• Cada célula de leucemia fue anotada con 7 atributos morfológicos en una ampliación de 100x para mejorar la explicabilidad diagnóstica.
• Se propuso un modelo de aprendizaje profundo multitarea para la detección simultánea de glóbulos blancos y la predicción de atributos, junto con un método de anotación escasa para un aprendizaje eficiente.

Principales resultados:

• El conjunto de datos de leucemia grande (LLD) desarrollado proporciona un recurso completo para la investigación y el desarrollo de la leucemia.
• El modelo multitarea demostró una detección eficaz de glóbulos blancos y una predicción de atributos, ofreciendo información interpretable y clínicamente relevante.
• El método de anotación escasa mejoró la eficiencia del aprendizaje y la precisión del diagnóstico al utilizar todo el campo de visión.

Conclusiones:

• El gran conjunto de datos de leucemia (LLD) y los métodos propuestos ofrecen avances significativos en el análisis automatizado de la leucemia.
• Las técnicas desarrolladas mejoran la explicabilidad del diagnóstico y abordan los desafíos de cambio de dominio en el análisis de imágenes microscópicas.
• El conjunto de datos, el código y la demostración disponibles públicamente facilitan la investigación y el desarrollo en hematología computacional.