A leucemia linfoblástica aguda (LLA) corresponde a cerca de 80% das leucemias na infância. A avaliação da proliferação e da imaturidade celular é feita pelo mielograma. Há dificuldade na classificação de alguns casos, o que demonstra a necessidade de novos parâmetros que unifiquem o diagnóstico. O presente estudo busca identificar as características citomorfológicas importantes para a análise automatizada da LLA, por meio da comparação das especificidades dos bancos de imagens das lâminas e dos algoritmos utilizados na análise automatizada.

Estudo qualitativo em forma de revisão integrativa utilizando as bases de dados PubMed, Scopus e Web of Science. Foram empregados os descritores: “machine learning”, “artificial intelligence”, “automation” e “acute lymphoblastic leukemia”. A seleção foi feita pelo RAYYAN - Intelligent Systematic Review, considerando-se a estratégia de busca do PRISMA Statement 2020. Para a seleção dos artigos, dois pesquisadores independentes fizeram o julgamento. Os critérios de inclusão foram casos originais, publicados nos últimos 5 anos, na língua inglesa ou portuguesa. Foram excluídos relatos de caso, revisões de literatura, carta ao leitor, pesquisas envolvendo outros tipos de leucemia e artigos que não se enquadram no foco da pesquisa.

Selecionou-se 181 artigos e excluiu-se 51 artigos duplicados através da plataforma RAYYAN. Ainda, foram excluídos 5 artigos de revisão. Dos 125 artigos restantes, excluiu-se 80 por abordarem critérios de exclusão. Dos 45 artigos restantes, foi realizada a leitura do título/resumo, sendo excluídos mais 19 artigos, e 14 foram retirados por abordarem temáticas diferentes do foco da pesquisa, após a leitura do texto completo. Dessa forma, 12 trabalhos foram incluídos.

A maioria dos artigos utilizou o conjunto de dados ALL-IDB (Acute Lymphoblastic Leukemia) e o restante observou pacientes de hospitais universitários. Os estudos utilizaram técnicas de pré-processamento, como o sistema RGB para remover ruídos e aumentar o contraste, e um deles o converteu para CMYK. Outro estudo utilizou algoritmos de correção de gama e aprimorou o contraste. Ajustes de Flip, faixa de brilho, desfoque gaussiano também foram realizados por diferentes estudos. As características citomorfológicas mais utilizadas de reconhecimento do linfócito anormal foram coloração e textura dos tecidos. A extração de recursos é etapa de marcação das células para treinamento dos modelos de IA, na qual técnicas diversas foram implementadas nos estudos. Cinco estudos propuseram novos métodos de aprendizagem de máquina, outros analisaram métodos já existentes e compararam novos propostos. Há limitações em relação aos estudos, como número significativo de dados, não utilização de sinais e sintomas clínicos, falta de dados médicos e conjuntos de dados.

Métodos automatizados são mais precisos no diagnóstico da LLA do que técnicas consagradas na prática clínica. Os fatores que influenciam positivamente nesse resultado são banco de dados robusto, integração entre técnicas de pré-processamento de imagens, definição e cálculo dos recursos que serão extraídos para treinamento dos modelos e métricas de exatidão, precisão, sensibilidade, especificidade e acurácia para a avaliação da IA. Novos estudos precisam selecionar as melhores técnicas de processamento, algoritmos e métricas, para definir o melhor método de triagem automatizada para a LLA.