Classificação de leucócitos usando rede neural profunda personalizada e visualização de características das imagens por mapas de calor

Por que exames de sangue mais inteligentes importam

Um exame de sangue de rotina pode revelar sinais iniciais de infecção, alergia ou até câncer — mas hoje grande parte dessa informação ainda depende de especialistas inspecionando cuidadosamente as células ao microscópio. Esse processo é lento, caro e nem sempre disponível em clínicas menores ou hospitais rurais. O artigo aqui descrito apresenta um sistema compacto de inteligência artificial capaz de reconhecer com precisão diferentes tipos de leucócitos em imagens de microscópio, potencialmente trazendo análises sanguíneas mais rápidas e confiáveis para muito mais pacientes.

Os pequenos defensores do corpo

Os leucócitos são os defensores de primeira linha do corpo contra germes e outras ameaças. Eles aparecem em várias categorias principais, cada uma com uma função diferente: alguns atacam bactérias, outros combatem parasitas, respondem a alergias ou ajudam a coordenar a imunidade de longo prazo. Os médicos frequentemente observam tanto a quantidade quanto o tipo dessas células para diagnosticar doenças e monitorar tratamentos. Hoje, isso é comumente feito por contagem manual ao microscópio — uma tarefa que exige habilidade e consome tempo — ou por grandes máquinas automatizadas que muitos laboratórios menores não podem pagar.

Da contagem manual aos olhos digitais

Na última década, pesquisadores recorreram à visão computacional e ao aprendizado de máquina para automatizar a identificação de leucócitos. Programas básicos conseguem medir formas e cores, enquanto sistemas mais avançados usam aprendizado profundo, que aprende padrões complexos diretamente das imagens. No entanto, muitos modelos poderosos de aprendizado profundo são enormes, exigindo grande capacidade de processamento e memória, além de serem suscetíveis a problemas de treinamento como o "desvanecimento" dos sinais dentro da rede. Isso limita seu uso em clínicas pequenas, dispositivos móveis de saúde ou hospitais com recursos computacionais modestos.

Um microscópio digital enxuto, porém potente

Os autores apresentam um modelo de aprendizado profundo enxuto que chamam de rede neural profunda personalizada, ou CDNN. Ele foi projetado especificamente para reconhecer leucócitos em imagens de microscópio. O modelo foi treinado e testado em dois conjuntos de dados populares de imagens de células sanguíneas: um conjunto grande e um pouco desbalanceado (Raabin WBC) com cinco tipos de leucócitos, e outro menor, porém equilibrado (BCCD) com quatro tipos. Antes do treinamento, todas as imagens foram redimensionadas, os níveis de brilho normalizados e então levemente alteradas — rotacionadas, refletidas e inclinadas — para imitar variação natural e reduzir overfitting, que ocorre quando um modelo memoriza exemplos de treino em vez de aprender padrões gerais.

Dentro do “processo de pensamento” do modelo

O CDNN é construído a partir de uma série de blocos que ajudam o modelo a aprender de forma eficaz mantendo-se compacto. Esses blocos incluem conexões "residuais" que permitem que informações contornem algumas camadas, prevenindo que os sinais de treinamento se atenuem conforme percorrem a rede. O modelo aumenta gradualmente o número de filtros internos à medida que as imagens avançam por suas camadas, capturando tanto detalhes finos quanto formas mais amplas do núcleo celular e do material circundante. Apesar de ter muito menos parâmetros ajustáveis do que modelos de imagem conhecidos, como VGG16 ou ResNet-50, o CDNN alcança precisão muito alta: cerca de 98% no conjunto Raabin e quase 99,6% no conjunto BCCD, superando muitos métodos grandes e de ponta.

Tornando decisões invisíveis visíveis

Para garantir que o sistema foque em partes das imagens com significado médico, os pesquisadores utilizaram duas ferramentas de visualização, conhecidas como Grad-CAM e LIME. Esses métodos geram mapas de calor coloridos que destacam quais regiões de uma imagem de célula influenciaram mais fortemente as decisões do modelo. As zonas brilhantes nesses mapas tendiam a se alinhar com estruturas cruciais, como o núcleo da célula e o citoplasma circundante, em vez do fundo irrelevante. A equipe também explorou como a rede separa internamente os diferentes tipos celulares projetando seus sinais internos em um mapa bidimensional, onde células corretamente classificadas formam aglomerados claros e casos misclassificados podem ser inspecionados para entender onde o modelo encontra dificuldades.

O que isso pode significar para os pacientes

Em termos simples, este trabalho mostra que um modelo de IA cuidadosamente projetado e relativamente pequeno pode classificar leucócitos em imagens de microscópio com precisão igual ou superior a muitos sistemas grandes e complexos. Por ser compacto e eficiente, o modelo é mais adequado ao uso em laboratórios menores, dispositivos ponto de atendimento ou até equipamentos portáteis, aproximando análises sanguíneas de alta qualidade dos pacientes. Embora sejam necessários testes adicionais em cenários clínicos reais, essa abordagem aponta para ferramentas mais rápidas, acessíveis e transparentes que podem auxiliar patologistas no diagnóstico de doenças e na detecção precoce de problemas.

Citação: 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

Palavras-chave: leucócitos, imagem médica, aprendizado profundo, diagnóstico sanguíneo, redes neurais