
Com o avanço da inteligência artificial (IA), novas técnicas diagnósticas tornaram-se possíveis. Nas doenças linfoproliferativas, a automatização pode trazer maior rapidez e acurácia ao diagnóstico. Diante das limitações de ambas técnicas, este estudo visa comparar os achados citomorfológicos do mielograma com a análise automatizada, avaliando a sensibilidade e especificidade do uso da IA como método de triagem diagnóstica da leucemia linfoblástica aguda (LLA).
Materiais e métodosEstudo retrospectivo com lâminas de mielograma de pacientes de centro universitário de referência em oncologia pediátrica dos anos de 2018 a 2022. Foram incluídos 100 pacientes com até 18 anos, subdivididos entre LLA, LMA e medula normal, sendo LMA o grupo de controle diferencial e LLA o grupo de estudo. Capturou-se fotos dos campos das lâminas para análise pela IA, divididas entre 100 imagens para cada medula hipocelular e 50 cada medula hipercelular. Utilizou-se o programa Labellmg para marcação das células conforme os tipos de linhagem por um especialista em hematologia, formando o conjunto “padrão-ouro”. Optou-se pela utilização do modelo de aprendizagem de máquina yolov5s.
ResultadosSelecionou-se 44 medulas de LLA, 35 medulas de LMA e 21 medulas normais de 73 pacientes diferentes, divididas em duas bases de imagens para validação do modelo com a análise de especialistas. Realizaram-se dois experimentos envolvendo lâminas de LLA, LMA e medula sem alterações, o primeiro formado por 15 lâminas e o segundo por 10. O modelo baseou-se na diferenciação entre casos normais versus leucêmicos agudos e na detecção correta dos objetos rotulados, conforme o conjunto “padrão-ouro”. Com as métricas de treinamento, o desbalanceamento das classes afetou o desempenho geral do modelo, a precision-recall curve e as pontuações da métrica mAP@0.5 evidenciaram que as classes com maior representatividade no treino apresentaram pontuações satisfatórias, próximas de 1. O mAP@0.5 geral ficou próximo de 0,5, pois as classes com pouca representatividade diminuíram essa média. O modelo foi capaz de marcar a maioria dos objetos da imagem e de fazer a localização dos objetos na imagem, mas não conseguiu classificar as respectivas classes.
DiscussãoA LLA é a neoplasia mais comum na população pediátrica. O mielograma é o método mais recomendado por possibilitar a avaliação das características citomorfológicas e da presença ou ausência de elementos anormais. Sistemas que utilizam IA podem aprimorar o processo diagnóstico, avaliar terapias e otimizar o prognóstico. A arquitetura neural yolo foi utilizada para detectar e classificar leucócitos em lâminas de hematologia diante de bons resultados obtidos em um estudo publicado e pelo bom desempenho na detecção de objetos. Uma das limitações do projeto foi a baixa representatividade de algumas classes da base de imagens, como a classe linfocítica imatura, linfócito atípico, eosinófilo e monócito, o que prejudicou o desempenho do modelo, visto que ele não conseguiu aprender os padrões desses objetos de baixa representatividade.
ConclusãoO treinamento de um modelo de IA com imagens do mielograma de pacientes com LLA, sendo comparado com LMA e medula normal, evidenciou ser um avanço nas possibilidades de triagem diagnóstica, tendo em vista a rapidez na leitura das lâminas e sensibilidade na identificação de células leucêmicas.