Na sociedade atual, é perceptível uma expansão cada vez mais significativa das diferentes utilizações da inteligência artificial (IA). A aplicação do aprendizado de máquina na medicina possui um enorme potencial, no que tange à sistematização da análise diagnóstica, por meio da criação de diferentes algoritmos com elevado poder de precisão. O esfregaço de sangue periférico permite a complementação diagnóstica de muitas doenças hematológicas, porém o seu uso é limitado por possuir caráter técnico-dependente. Logo, o presente estudo buscou identificar o estado da arte sobre a automatização da análise citomorfológica do esfregaço de sangue periférico.

Trata-se de uma revisão feita por meio das bases de dados Scopus, Web of Science e PubMed, sendo guiada pela estratégia de busca do PRISMA Statement 2020. Foram utilizados os seguintes descritores: “Machine Learning”, “Peripheral blood smear” e “Artificial Intelligence”. Como critérios de inclusão, foram usados ensaios clínicos, na língua portuguesa e inglesa.

O sistema apresentado por um dos estudos obteve média de 25,60 s de discriminação de hemácias, demonstrando maior rapidez e eficácia quando comparado ao método manual. Outro modelo utilizou rede neural a partir de scores médios de acurácia, precisão, recall e F-score, evidenciando boa capacidade discriminatória de leucócitos. Plaquetas foram classificadas em outro estudo, que demonstrou melhor pontuação de validação e precisão das redes neurais VGG 19 e ResNet50. Em geral, anemia, dengue, malária e leucemia foram avaliadas pelos estudos, com bons resultados de classificação das células, diferenciação dos subtipos das patologias, precisão, sensibilidade e especificidade.

O classificador perceptron multicamadas obteve como métricas 95,09% de valor preditivo positivo, 93,13% de especificidade, 91,07% de sensibilidade e 86,59% de precisão geral, bom desempenho atribuído aos recursos de pré-processamento, segmentação e seleção desenvolvidos. Ao analisar a aplicação da IA na detecção automatizada da dengue, o sistema Python Open CV foi utilizado para detectar plaquetas, visando o diagnóstico de trombocitopenia, sendo o melhor desempenho de classificação atribuído ao SVM com precisão de 94,96%. A rede neural que obteve melhor resultado na validação da identificação da Malária foi a VGG-16 com 99,75% de acerto. O classificador SVM obteve alta sensibilidade e especificidade na diferenciação de subtipos de malária. Tal classificador foi usado em estudos envolvendo diferenciação de subtipos de leucemias e de LLA, com grande eficiência encontrada. O classificador NN obteve alta precisão (99,5%) na identificação de células sanguíneas anormais em método que identifica leucemia a partir de glóbulos brancos, e outro estudo categorizou os classificadores SVM e AMN como os de maior eficiência na diferenciação de subtipos de LLA.

A IA agrega na análise celular do esfregaço de sangue periférico, automatizando eficientemente essa identificação. Foi demonstrada grande contribuição no diagnóstico de anemia, dengue, malária e leucemias agudas, podendo implicar em melhor prognóstico diante da rapidez diagnóstica. É necessário realizar um estudo primário com um mesmo conjunto de dados, utilizando algoritmos que se destacaram para criar um sistema capaz de classificar diferentes tipos de doenças hematológicas em larga escala.