Kategoryzacja białych krwinek przy użyciu niestandardowej głębokiej sieci neuronowej i wizualizacja cech obrazów za pomocą map cieplnych

Dlaczego mądrzejsze badania krwi mają znaczenie

Rutynowe badanie krwi może ujawnić wczesne oznaki infekcji, alergii, a nawet nowotworu — jednak dziś wiele z tych informacji wciąż zależy od ekspertów, którzy starannie oglądają komórki pod mikroskopem. Ten proces jest powolny, kosztowny i nie zawsze dostępny w mniejszych przychodniach czy szpitalach wiejskich. Opisany artykuł przedstawia kompaktowy system sztucznej inteligencji, który potrafi z dużą dokładnością rozpoznawać różne rodzaje białych krwinek na obrazach mikroskopowych, co może przyczynić się do szybszej i bardziej niezawodnej analizy krwi dla większej liczby pacjentów.

Maleńcy obrońcy organizmu

Białe krwinki to pierwsza linia obrony organizmu przed drobnoustrojami i innymi zagrożeniami. Występują w kilku głównych odmianach, z różnymi zadaniami: jedne atakują bakterie, inne walczą z pasożytami, reagują na alergie lub pomagają koordynować długotrwałą odporność. Lekarze często oceniają zarówno liczbę, jak i typ tych komórek, by diagnozować choroby i monitorować leczenie. Obecnie zwykle odbywa się to albo poprzez ręczne liczenie pod mikroskopem — umiejętność wymagającą czasu — albo przy użyciu dużych zautomatyzowanych urządzeń, na które wiele mniejszych laboratoriów nie może sobie pozwolić.

Od ręcznego liczenia do cyfrowych oczu

W ciągu ostatniej dekady badacze zwrócili się ku wizji komputerowej i uczeniu maszynowemu, by zautomatyzować identyfikację białych krwinek. Podstawowe programy potrafią mierzyć kształty i kolory, podczas gdy bardziej zaawansowane systemy wykorzystują głębokie uczenie, które potrafi wydobywać z obrazów złożone wzorce. Jednak wiele potężnych modeli głębokiego uczenia jest ogromnych, wymagających znacznej mocy obliczeniowej i pamięci, i może napotykać problemy treningowe, takie jak „zanikanie” sygnałów wewnątrz sieci. Ogranicza to ich zastosowanie w małych klinikach, urządzeniach mobilnej opieki zdrowotnej czy w szpitalach o skromnych zasobach obliczeniowych.

Szczuplejszy, lecz wydajny cyfrowy mikroskop

Autorzy przedstawiają uproszczony model głębokiego uczenia nazwany niestandardową głęboką siecią neuronową (CDNN). Został on zaprojektowany specjalnie do rozpoznawania białych krwinek na obrazach mikroskopowych. Model szkolono i testowano na dwóch popularnych zbiorach obrazów komórek krwi: jednym dużym i nieco niezrównoważonym (Raabin WBC) z pięcioma typami białych krwinek oraz drugim mniejszym, ale równomiernie zbalansowanym (BCCD) z czterema typami. Przed treningiem wszystkie obrazy zostały przeskalowane, znormalizowano ich jasność, a następnie lekko zmodyfikowano — obracane, odbijane i shearowane — aby naśladować naturalne zróżnicowanie i zmniejszyć przeuczenie, które występuje, gdy model zapamiętuje przykłady treningowe zamiast uczyć się ogólnych wzorców.

W „procesie myślowym” modelu

CDNN zbudowano z serii bloków konstrukcyjnych, które umożliwiają efektywne uczenie przy jednoczesnym zachowaniu kompaktowości. Bloki te zawierają połączenia „resztkowe”, które pozwalają informacjom omijać niektóre warstwy, zapobiegając wygaszaniu sygnałów treningowych w miarę przechodzenia przez sieć. Model stopniowo zwiększa liczbę wewnętrznych filtrów w miarę przepływu obrazów przez kolejne warstwy, uchwytując zarówno drobne detale, jak i szersze kształty jądra komórkowego i otaczającej materii. Pomimo znacznie mniejszej liczby dostrajanych parametrów w porównaniu z dobrze znanymi modelami obrazowymi, takimi jak VGG16 czy ResNet-50, CDNN osiąga bardzo wysoką dokładność: około 98% na zbiorze Raabin i niemal 99,6% na zbiorze BCCD, przewyższając wiele większych metod będących w czołówce stanu techniki.

Ujawnianie niewidzialnych decyzji

Aby upewnić się, że system koncentruje się na medycznie istotnych częściach obrazu, badacze zastosowali dwa narzędzia wizualizacyjne: Grad-CAM i LIME. Metody te generują kolorowe mapy cieplne, które podkreślają, które obszary obrazu komórki najsilniej wpłynęły na decyzje modelu. Jasne strefy na tych mapach zwykle pokrywały się z kluczowymi strukturami, takimi jak jądro komórkowe i otaczająca cytoplazma, zamiast z nieistotnym tłem. Zespół przeanalizował także, jak sieć wewnętrznie rozdziela różne typy komórek, projektując jej wewnętrzne sygnały na mapę dwuwymiarową, gdzie prawidłowo sklasyfikowane komórki tworzyły wyraźne klastry, a przypadki błędnej klasyfikacji można było zbadać, by zrozumieć, gdzie model ma trudności.

Co to może znaczyć dla pacjentów

Mówiąc prosto, praca ta pokazuje, że starannie zaprojektowany, stosunkowo niewielki model AI potrafi rozróżniać białe krwinki na obrazach mikroskopowych z dokładnością porównywalną lub lepszą niż wiele dużych, złożonych systemów. Dzięki kompaktowości i efektywności model nadaje się lepiej do wykorzystania w mniejszych laboratoriach, urządzeniach przyłóżkowych czy nawet w przenośnym sprzęcie, co może przybliżyć wysokiej jakości analizę krwi do pacjentów. Chociaż potrzebne są dalsze testy w rzeczywistych warunkach klinicznych, podejście to wskazuje drogę do szybszych, bardziej dostępnych i bardziej przejrzystych narzędzi wspierających patomorfologów w diagnozowaniu chorób i wykrywaniu problemów we wczesnym stadium.

Cytowanie: 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

Słowa kluczowe: białe krwinki, obrazowanie medyczne, głębokie uczenie, diagnostyka krwi, sieci neuronowe