Early Detection of Acute Myeloid Leukemia (AML) Using YOLOv12 Deep Learning Model

Resumen Técnico: Detección Temprana de Leucemia Mieloide Aguda (LMA) mediante el Modelo de Aprendizaje Profundo YOLOv12

1. Planteamiento del Problema

La Leucemia Mieloide Aguda (LMA) es una forma de cáncer de la sangre altamente letal que requiere una clasificación precisa para un diagnóstico temprano. Sin embargo, la identificación visual de los tipos celulares es un desafío debido a la similitud morfológica entre las diferentes células sanguíneas. La investigación actual enfrenta limitaciones significativas:

• Disponibilidad de datos: Escasez de conjuntos de datos histopatológicos bien anotados y equilibrados.
• Fiabilidad de la evaluación: Muchos estudios carecen de un conjunto de prueba independiente, lo que lleva a resultados sobreoptimistas.
• Desequilibrio de clases: La representación desigual de tipos de células inmaduras (como los mieloblastos) dificulta que los modelos aprendan características distintivas, reduciendo el rendimiento de clasificación.

2. Metodología

El estudio propone un flujo de trabajo integral que combina preprocesamiento de imágenes avanzado con arquitecturas de aprendizaje profundo. El proceso se divide en tres fases principales:

• A. Conjunto de Datos:

  • Se utilizó un conjunto de datos equilibrado y mejorado (disponible en Kaggle/Mendeley) que contiene 5,000 imágenes de células sanguíneas (1,000 por clase).
  • Clases: Mieloblastos, neutrófilos segmentados, basófilos, monocitos y eritroblastos.
  • Especificaciones: Imágenes de 1024x1024 píxeles, teñidas con Wright-Giemsa (magnificación 1000x), divididas en 70% entrenamiento, 15% validación y 15% prueba.

• B. Preprocesamiento y Segmentación:
  Se aplicaron dos estrategias de segmentación para aislar características celulares y nucleares antes de la clasificación:

  1. Filtrado por canal de Tono (Hue): Aprovecha la información de color para separar estructuras.
  2. Umbralización de Otsu: Un método de umbralización automático para separar el fondo de las células/núcleos.
  • Esto generó cuatro subconjuntos de datos distintos: Células (Hue), Células (Otsu), Núcleos (Hue) y Núcleos (Otsu).

• C. Modelo de Aprendizaje Profundo (YOLOv12):

  • Se implementó YOLOv12 (versión N), la última iteración de la serie YOLO (lanzada en 2025), conocida por su velocidad y precisión en tiempo real.
  • Mecanismo de Atención de Área (Area Attention): A diferencia de las versiones anteriores basadas puramente en CNN, YOLOv12 incorpora un mecanismo de atención que divide la imagen en segmentos (horizontales o verticales). Esto reduce la complejidad computacional de $O(n^2)$ a aproximadamente la mitad, permitiendo al modelo enfocarse en regiones importantes sin sacrificar la velocidad, logrando un equilibrio óptimo entre contexto y eficiencia.
  • Se comparó con otros modelos (ResNet50, Inception-ResNet50 v2), aunque los resultados destacados se centraron en YOLOv12.

3. Contribuciones Clave

El estudio aporta las siguientes innovaciones al campo:

1. Generalización Mejorada: Entrenamiento sobre un conjunto de datos equilibrado que abarca una diversidad de tipos celulares mieloide relevantes para la LMA.
2. Transferencia de Aprendizaje Optimizada: Aplicación de modelos preentrenados ajustados específicamente para datos de imágenes histopatológicas.
3. Detección Temprana de Alta Precisión: Logro de una precisión superior en la identificación de células leucémicas.
4. Adopción de Tecnología de Vanguardia: Utilización de YOLOv12, aprovechando sus mejoras en atención para superar las limitaciones de versiones anteriores en tareas de clasificación médica.

4. Resultados

Las experimentaciones compararon el rendimiento de YOLOv12 en los cuatro escenarios de segmentación (Célula/Núcleo x Hue/Otsu):

• Mejor Rendimiento: La combinación de segmentación de células basada en Otsu con YOLOv12 obtuvo los resultados más altos.
  • Precisión de Validación: 99.3% (0.993).
  • Precisión de Prueba: 99.3% (0.993).
• Comparativa:
  • Las segmentaciones basadas en el canal Hue (tanto para células como para núcleos) alcanzaron una precisión del 98.8%.
  • La segmentación de núcleos con Otsu también obtuvo un 98.8%.
• Análisis de Curvas: Las curvas de pérdida mostraron una convergencia estable y efectiva. Aunque hubo ligeras fluctuaciones en la pérdida de validación, el modelo demostró una fuerte capacidad de generalización, confirmada por matrices de confusión que mostraron alta precisión y valores F1 consistentes en todas las clases.

5. Significado e Impacto

Este estudio demuestra que la integración de técnicas de segmentación de imágenes tradicionales (como Otsu) con arquitecturas de detección de objetos de última generación (YOLOv12) puede superar los desafíos actuales en el diagnóstico de la LMA.

• Viabilidad Clínica: La alta precisión (99.3%) sugiere que este enfoque es viable para herramientas de diagnóstico asistido por computadora escalables y automatizadas.
• Eficiencia Computacional: El uso de la atención de área en YOLOv12 permite un procesamiento rápido y preciso, crucial para aplicaciones médicas en tiempo real.
• Avance en IA Médica: El trabajo aborda directamente el problema del desequilibrio de datos y la necesidad de conjuntos de prueba independientes, estableciendo un nuevo estándar para la evaluación de modelos de detección de leucemia.

En conclusión, el modelo propuesto ofrece una solución robusta y altamente precisa para la clasificación multiclase de células de LMA, superando a métodos anteriores y ofreciendo una vía prometedora para la detección temprana y el tratamiento oportuno de esta enfermedad.