Revisar a literatura sobre bancos de dados de imagens de microscopia de aspirado de Medula Óssea (MO) na pesquisa e diagnóstico de doenças hematológicas por Inteligência Artificial (IA).

Foi realizado coleta de estudos nos bancos de dados: Science Direct, Google Acadêmico e Scielo, utilizando os termos de busca: (“Bone Marrow Dataset”) AND (“Artificial Intelligence”) entre o ano de 2019 a 2024, em títulos, palavras-chave e resumos dos documentos. As informações extraídas dos estudos foram: (1) quantidade de imagens de células obtidas; (2) quantidade de lâminas de MO usadas; (3) quantidade de categorias de células analisadas; (4) precisão obtida pela IA.

Foram selecionados e analisados 16 artigos, dos quais foram identificados bancos de dados com total de imagens variando de 1.797 a 171.374. As lâminas de esfregaço de MO de pacientes utilizadas variaram de 70 a 945. Além disso, o número de categorias de grupos celulares classificados apresentou amplitude de 7 a 25. No geral, os estudos apresentavam o desenvolvimento de IA para a identificação de células e diagnósticos de doenças como Mieloma Múltiplo e Leucemias, entretanto foi observado uma grande variedade no conjunto de dados de imagens de células da MO que foram utilizados. Houve uma diferença com relação à precisão média entre os sistemas desenvolvidos, com uma variação de 67,4% a 99,1%.

O exame e a diferenciação citomorfológica da MO é um importante pilar no diagnóstico de doenças malignas e não malignas que afetam o sistema hematopoiético. Embora existam métodos mais sofisticados, o exame citomorfológico continua sendo um primeiro passo importante no diagnóstico de muitas patologias intra e extramedulares. Entretanto, identificar e contar manualmente as diferentes classes de células torna-se cansativo, além da precisão da classificação e da contagem ser dependente da capacidade e experiência dos operadores. Pesquisas sobre diagnóstico de distúrbios hematopoiéticos com base em imagens de esfregaços de aspirado de MO têm atraído cada vez mais atenção com o desenvolvimento de métodos de IA. No entanto, a implementação da IA no diagnóstico de doenças hematológicas não está isenta de desafios, uma vez que para desenvolvimento da mesma é necessário um bom conjunto de dados de imagens de células da MO. Observou-se que a diferença na frequência de ocorrência de categorias de células na MO pode influenciar diretamente na precisão da IA, como nos neutrófilos que são mais facilmente encontrados e, consequentemente, melhor identificados, do que linfócitos imaturos.

A análise revelou uma variabilidade nos bancos de dados de imagens de MO utilizados para desenvolver modelos de IA. Essa inconstância no tamanho dos conjuntos de dados destaca um desafio crucial para a eficácia dos modelos. Fato este que pode ser atribuído a complexidade e variabilidade das imagens médicas, tornando o conjunto de dados de imagens de MO um dos maiores desafios na pesquisa de diagnóstico patológico automatizado baseada em IA.