Modelos de aprendizado profundo aplicados à identificação automática de células hematológicas

Abstract

A análise do diferencial leucocitário é fundamental no diagnóstico hematológico; contudo, sua execução manual é suscetível à subjetividade, morosidade e variabilidade interobservador, limitando a padronização e a eficiência laboratorial. Nesse contexto, a Inteligência Artificial (IA), por meio de algoritmos de aprendizagem profunda, destaca-se como ferramenta promissora para automatizar e padronizar a classificação de células hematológicas em imagens de esfregaços de sangue periférico. Para mapear o estado da arte e identificar lacunas, foi conduzida uma revisão sistemática que consolidou evidências sobre técnicas de visão computacional aplicadas à classificação leucocitária. Observou-se predomínio de modelos baseados em Redes Neurais Convolucionais (CNNs), com alta acurácia na diferenciação de células maduras, mas limitações na classificação de células imaturas e atípicas, além de heterogeneidade metodológica que dificulta comparações diretas entre estudos. Com base nessas lacunas, desenvolveu-se um estudo experimental comparando duas arquiteturas de ponta, como YOLOv11 (convolucional) e Vision Transformer (ViT, baseada em atenção), foi utilizado uma base de dados própria denominada Leukocyte-UNIVALI, composta por 14 classes que abrangem o espectro de maturação granulocítica e outras variações morfológicas e disponibilizada publicamente para pesquisa científica. Investigou-se ainda o impacto da técnica de aumento de dados HistAuGAN, baseada em Redes Generativas Adversariais (GANs), para simular variabilidade cromática laboratorial e ampliar a robustez dos modelos. Os resultados demonstraram que, sob aumento padrão, os modelos Vision Transformer apresentaram desempenho superior às arquiteturas convolucionais. Com a incorporação da HistAuGAN, houve elevação substancial das métricas em todas as arquiteturas e redução das diferenças entre modelos. O melhor desempenho foi obtido pelo ViT-Small com HistAuGAN, alcançando F1-score macro de 99,02% ± 0,20 e acurácia global de 99,23% ± 0,08. Conclui-se que, embora a arquitetura influencie o desempenho em cenários de menor diversidade, o aumento de dados orientado ao domínio desempenha papel determinante na robustez e generalização, constituindo estratégia central para o avanço da automação no diagnóstico hematológico assistido por computador.

Abstract: Leukocyte differential analysis is a fundamental procedure in hematological diagnosis; however, manual execution is prone to subjectivity, time consumption, and interobserver variability, limiting laboratory standardization and efficiency. In this context, Artificial Intelligence (AI), particularly deep learning algorithms, has emerged as a promising tool to automate and standardize the classification of hematological cells in peripheral blood smear images. To map the current state of the art and identify gaps in the literature, a systematic review was conducted, consolidating evidence on computer vision techniques for leukocyte classification. The review revealed a predominance of Convolutional Neural Network (CNN)-based models with high accuracy in distinguishing mature cells, but significant gaps in the classification of immature and atypical cells?those of greater clinical relevance?as well as methodological heterogeneity that hampers direct comparison across studies. Based on these findings, an experimental study was developed to directly compare two state-of-the-art architectures: the convolutional YOLOv11 and the attention-based Vision Transformer (ViT). The models were evaluated on a private clinical dataset comprising 14 classes covering the full spectrum of granulocytic maturation and other morphological variations. Additionally, the impact of HistAuGAN, a Generative Adversarial Network (GAN)-based data augmentation strategy designed to simulate laboratory staining variability, was investigated to enhance model robustness. Results demonstrated that under standard augmentation, Vision Transformer variants consistently outperformed convolutional models. However, with the incorporation of HistAuGAN, all architectures exhibited substantial performance gains and reduced inter-model differences. The best performance was achieved by the ViT-Small model trained with HistAuGAN, reaching a macro F1-score of 99.02% ± 0.20 and a global accuracy of 99.23% ± 0.08. These findings indicate that while architectural choice influences performance in lower-diversity settings, domain-oriented data augmentation plays a decisive role in improving robustness and generalization, representing a key strategy for advancing computer-assisted hematological diagnosis.