Synergizing Deep Learning and Biological Heuristics for Extreme Long-Tail White Blood Cell Classification

Resumen Técnico: Sinergización de Aprendizaje Profundo y Heurísticas Biológicas para la Clasificación Extremadamente de Cola Larga de Leucocitos

1. El Problema

La clasificación automatizada de glóbulos blancos (WBC) es fundamental para el tamizaje de leucemia, pero los modelos de aprendizaje profundo (DL) actuales enfrentan desafíos críticos en entornos clínicos reales:

• Desequilibrio de Clases Extremo: Los conjuntos de datos clínicos siguen distribuciones de "cola larga" extrema. En el conjunto de datos WBCBench 2026, la clase mayoritaria (Neutrófilos Segmentados) tiene 17,354 muestras, mientras que clases patológicas raras como Prolinfocitos (PLY) tienen solo 14 muestras (un desequilibrio de 1,200 a 1).
• Sesgo de Dominio y Sobreajuste: Los modelos tienden a sobreajustarse a las clases dominantes y fallan sistemáticamente en subtipos raros debido a variaciones intraclase, similitudes morfológicas sutiles entre clases y desplazamientos de dominio sintéticos (ruido, artefactos de tinción).
• Limitaciones de Métodos Tradicionales: Las estrategias puramente basadas en datos (como el sobremuestreo aleatorio o funciones de pérdida LDAM) alcanzan un techo de rendimiento (~0.66 Macro-F1) debido a la incapacidad de generalizar bajo superposiciones morfológicas severas.

2. Metodología Propuesta

Los autores proponen un marco híbrido de tres etapas que integra restauración generativa, aprendizaje de representaciones jerárquicas y refinamiento basado en heurísticas biológicas:

• Etapa 1: Preprocesamiento y Restauración con GAN (Pix2Pix)

  • Aislamiento: Se utiliza CellPose para localizar y aislar el leucocito principal, eliminando el contexto de fondo (glóbulos rojos).
  • Restauración de Artefactos: Dado que faltan pares de datos "limpio-ruido" reales, se implementa un flujo de trabajo de adaptación de dominio:
    1. Separación de datos en subconjuntos "ruidosos" y "limpios" mediante un filtro de ruido.
    2. Generación de pares sintéticos inyectando ruido sal y pimienta en los datos limpios.
    3. Entrenamiento de una red Pix2Pix GAN para mapear el dominio corrupto al dominio biológico de alta fidelidad, recuperando detalles morfológicos de alta frecuencia (gránulos citoplasmáticos, texturas nucleares).

• Etapa 2: Clasificador de Características de Doble Rama

  • Rama Jerárquica (Swin-T): Un modelo Swin Transformer optimizado con Focal Loss sensible a costos y muestreo aleatorio ponderado para mitigar el dominio de la clase mayoritaria.
  • Rama Contrastiva (MedSigLIP): Utiliza incrustaciones preextraídas de MedSigLIP (un modelo de lenguaje multimédico médico) proyectadas en un espacio latente normalizado. Esta rama proporciona probabilidades de clase ricas en contexto semántico.

• Etapa 3: Estrategia de Refinamiento Híbrido Adaptativo (Suprimir y Rescatar)

  • Se implementa un algoritmo de "dividir y conquistar" para recuperar predicciones de distribuciones fuera de la muestra (OOD) que los modelos profundos suelen suprimir:
    1. Impulso de Sensibilidad: Se escalan las probabilidades de las clases raras (PLY, PC) antes de la selección inicial.
    2. Verificación Semántica: Se valida la candidata rara contra la rama MedSigLIP.
    3. Filtrado Biológico (Heurísticas): Se aplican restricciones morfológicas específicas para pares de confusión críticos:
       • PLY vs. LY: Se calcula una Puntuación de Espinosidad (Spikiness Score) para medir la irregularidad del contorno; los PLY patológicos son más irregulares que los linfocitos maduros suaves.
       • Células Plasmáticas (PC) vs. LY/VLY: Se extrae un vector morfológico (relación núcleo-citoplasma, intensidad de tinción, desplazamiento del centroide) y se aplica un filtro de distancia de Mahalanobis para aislar las células plasmáticas definitivas.

3. Contribuciones Clave

• Marco Híbrido DL-Biológico: La integración exitosa de heurísticas biológicas explícitas (geometría y morfología) dentro de un pipeline de aprendizaje profundo para resolver problemas de cola larga extrema.
• Restauración de Dominio Sintético: Una metodología innovadora para entrenar GANs en ausencia de datos reales emparejados, mejorando la calidad de entrada para modelos posteriores.
• Estrategia de "Rescate" de OOD: Un mecanismo de inferencia que no depende únicamente de la probabilidad estadística, sino que utiliza validación semántica y restricciones físicas biológicas para corregir errores sistemáticos en clases minoritarias.

4. Resultados

El método fue evaluado en el desafío WBCBench 2026:

• Validación Interna: El modelo base Swin-T alcanzó un Macro-F1 de 0.7355, con una alta especificidad (0.9932) pero dificultades para recuperar clases raras.
• Desempeño en Tabla de Posiciones (Leaderboard):
  • Los métodos convencionales de aprendizaje de cola larga (LDAM, Decoupling) se estancaron alrededor de 0.66 Macro-F1.
  • La adición de la verificación semántica (MedSigLIP) elevó el rendimiento a 0.71528.
  • La integración final del filtrado biológico (Etapa 3) logró un Macro-F1 de 0.77139 en la tabla de posiciones privada.
• Análisis de Ablación: Demostró que la mejora más significativa no provino de más datos o arquitecturas más complejas, sino de la incorporación de restricciones morfológicas biológicas para corregir predicciones erróneas.

5. Significado e Impacto

Este trabajo demuestra que para problemas médicos con distribuciones extremadamente desequilibradas, el aprendizaje profundo puro tiene limitaciones inherentes. La sinergia entre modelos generativos, representaciones semánticas avanzadas y conocimiento experto (heurísticas biológicas) es crucial para lograr un rendimiento clínico fiable.

• Relevancia Clínica: El enfoque mejora la detección de subtipos patológicos raros pero críticos, reduciendo falsos negativos en el tamizaje de leucemia.
• Dirección Futura: Establece un precedente para integrar algoritmos de aprendizaje automático tradicionales con embebidos semánticos profundos, creando pipelines diagnósticos más robustos y generalizables para distribuciones de cola larga en medicina.