MÉTODO DE INTELIGÊNCIA ARTIFICIAL PARA TRIAGEM DE LEUCEMIA LINFOBLÁSTICA AGUDA: ESTUDO COMPARATIVO

Abstract

Objetivos: 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 métodos: Estudo 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. Resultados: Selecionou-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 [email protected] evidenciaram que as classes com maior representatividade no treino apresentaram pontuações satisfatórias, próximas de 1. O [email protected] 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. Discussão: A 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. Conclusão: O 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.