Classificatie van witte bloedcellen met een aangepast deep neural network en visualisatie van afbeeldingskenmerken met heatmaps

Waarom slimmer bloedonderzoek ertoe doet

Een routinematig bloedonderzoek kan vroege tekenen van een infectie, allergie of zelfs kanker blootleggen — maar tegenwoordig hangt veel van die kennis nog steeds af van deskundigen die cellen zorgvuldig onder een microscoop bekijken. Dit proces is traag, duur en niet altijd beschikbaar in kleinere klinieken of landelijke ziekenhuizen. Het hier beschreven artikel presenteert een compact kunstmatig-intelligentiesysteem dat verschillende soorten witte bloedcellen nauwkeurig kan herkennen op microscoopbeelden, en daarmee mogelijk snellere en betrouwbaardere bloedanalyses voor veel meer patiënten bereikbaar maakt.

De kleine verdedigers van het lichaam

Witte bloedcellen zijn de frontlinie van het lichaam tegen ziekteverwekkers en andere bedreigingen. Ze komen in meerdere hoofdtypen, elk met een eigen taak: sommige vallen bacteriën aan, andere bestrijden parasieten, reageren op allergieën of helpen bij het coördineren van langdurige immuniteit. Artsen kijken vaak naar zowel het aantal als het type van deze cellen om ziekten te diagnosticeren en behandelingen te volgen. Dit gebeurt tegenwoordig meestal door handmatig tellen onder de microscoop — een vakmanschap dat veel tijd kost — of met grote geautomatiseerde machines die voor veel kleinere laboratoria onbetaalbaar zijn.

Van handmatig tellen naar digitale ogen

In het afgelopen decennium hebben onderzoekers zich toegelegd op computervisie en machine learning om de identificatie van witte bloedcellen te automatiseren. Eenvoudige programma’s kunnen vormen en kleuren meten, terwijl geavanceerdere systemen deep learning gebruiken, die complexe patronen rechtstreeks uit beelden leert. Veel krachtige deep-learningmodellen zijn echter enorm, vereisen veel rekenkracht en geheugen, en kunnen tijdens het trainen problemen krijgen zoals verdwijnende signalen binnen het netwerk. Dat beperkt hun inzetbaarheid in kleine klinieken, mobiele gezondheidsapparaten of ziekenhuizen met beperkte rekenmiddelen.

Een slanke maar krachtige digitale microscoop

De auteurs introduceren een gestroomlijnd deep-learningmodel dat ze een custom deep neural network (CDNN) noemen. Het is specifiek ontworpen om witte bloedcellen op microscoopbeelden te herkennen. Het model werd getraind en getest op twee populaire datasets van bloedcelbeelden: een grote en enigszins ongebalanceerde set (Raabin WBC) met vijf typen witte bloedcellen, en een andere kleinere maar gelijkmatig gebalanceerde set (BCCD) met vier typen. Voor het trainen werden alle beelden schaalsgewijs aangepast, werden hun helderheidsniveaus genormaliseerd en licht gemuteerd — geroteerd, gespiegeld en geschuind — om natuurlijke variatie na te bootsen en overfitting te verminderen, dat wil zeggen het fenomeen waarbij een model trainingsvoorbeelden memoriseert in plaats van algemene patronen te leren.

In het “denkproces” van het model

CDNN is opgebouwd uit een reeks bouwblokken die het helpen effectief te leren terwijl het compact blijft. Deze blokken omvatten "residuele" verbindingen die informatie laten omzeilen langs bepaalde lagen, waardoor de trainingssignalen niet vervagen als ze door het netwerk lopen. Het model vergroot geleidelijk het aantal interne filters terwijl beelden erdoorheen bewegen, waardoor zowel fijne details als bredere vormen van celnuclei en het omringende materiaal worden vastgelegd. Ondanks dat het veel minder instelbare parameters heeft dan bekende beeldmodellen zoals VGG16 of ResNet-50, bereikt CDNN zeer hoge nauwkeurigheid: ongeveer 98% op de Raabin-dataset en bijna 99,6% op de BCCD-dataset, beter dan veel grotere state-of-the-art methoden.

Beslissingen zichtbaar maken

Om te verzekeren dat het systeem zich op medisch relevante delen van de beelden richt, gebruikten de onderzoekers twee visualisatietools, bekend als Grad-CAM en LIME. Deze methoden genereren kleurige heatmaps die aangeven welke regio’s van een celbeeld de beslissingen van het model het sterkst hebben beïnvloed. De heldere zones in deze kaarten kwamen vaak overeen met cruciale structuren zoals de kern van de cel en het omringende cytoplasma, in plaats van met irrelevante achtergrond. Het team onderzocht ook hoe het netwerk intern verschillende celtypen scheidt door zijn interne signalen te projecteren in een tweedimensionale kaart, waarbij correct geclassificeerde cellen duidelijke clusters vormen en verkeerd geclassificeerde gevallen kunnen worden geanalyseerd om te begrijpen waar het model moeite heeft.

Wat dit voor patiënten kan betekenen

Simpel gezegd toont dit werk aan dat een zorgvuldig ontworpen, relatief klein AI-model witte bloedcellen op microscoopbeelden kan sorteren met een nauwkeurigheid die gelijk is aan of hoger dan veel grote, complexe systemen. Omdat het model compact en efficiënt is, leent het zich beter voor gebruik in kleinere laboratoria, point-of-care-apparaten of zelfs draagbare apparatuur, en kan het hoogwaardige bloedanalyse dichter bij patiënten brengen. Hoewel verdere tests in echte klinische omgevingen nog nodig zijn, wijst deze benadering op snellere, toegankelijkere en transparantere hulpmiddelen die pathologen kunnen ondersteunen bij het diagnosticeren van ziekte en het eerder opsporen van problemen.

Bronvermelding: Karaddi, S.H., Bitra, H., Bairaboina, S.S.R. et al. White blood cell classification using custom deep neural network and visualizing features of the images using heatmaps. Sci Rep 16, 9311 (2026). https://doi.org/10.1038/s41598-026-35138-9

Trefwoorden: witte bloedcellen, medische beeldvorming, deep learning, bloeddiagnostiek, neurale netwerken