💻 computer science

A Hierarchical Ensemble Inference Pipeline for Robust White Blood Cell Classification Under Domain Shifts

Este artículo propone un pipeline de inferencia jerárquico y de ensamble, basado en memoria y el modelo DinoBloom, diseñado para lograr una clasificación robusta de glóbulos blancos ante cambios de dominio en el desafío WBCBench de ISBI 2026.

Autores originales: Ruyi Dai, Tingkwong Ng, Hao Chen

Publicado 2026-04-28

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Ruyi Dai, Tingkwong Ng, Hao Chen

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

El Detective de la Sangre: Un Sistema Inteligente para Detectar la Leucemia

Imagina que eres un detective encargado de revisar miles de fotografías de células sanguíneas para encontrar "sospechosos" (células cancerosas como los blastos). El problema es que estas fotos no siempre se ven igual: algunas tienen colores más brillantes, otras están más borrosas, y algunas cámaras las toman con un ángulo distinto. Si usas una lupa normal, podrías confundir un grano de arena con un diamante.

Este estudio presenta una nueva forma de entrenar a un "detective digital" (una Inteligencia Artificial) para que no se equivoque, incluso cuando las fotos sean de mala calidad o diferentes.

1. El Entrenamiento: "El Estudiante con Memoria" (LoRA y DinoBloom)

En lugar de enseñarle a la IA desde cero (lo cual es lento y difícil), los investigadores le dieron un cerebro que ya sabe mucho sobre el mundo (llamado DinoBloom).

Pero no solo le dieron el cerebro; usaron una técnica llamada LoRA. Imagina que el cerebro de la IA es un libro gigante de medicina. En lugar de reescribir todo el libro para que aprenda sobre células sanguíneas, los científicos solo pegan unos pequeños "post-its" con notas específicas en las páginas importantes. Esto hace que la IA aprenda muy rápido y de forma muy precisa sin perder su sabiduría general.

2. El Método: "La Pirámide de Decisiones" (Inferencia Jerárquica)

Aquí es donde ocurre la magia. La mayoría de las IAs intentan adivinar la respuesta de golpe: "¿Es esta célula tipo A, B o C?". Si fallan, fallan estrepitosamente.

Este nuevo sistema usa una estrategia de pirámide (jerárquica). Es como si el detective hiciera preguntas de lo más general a lo más específico:

Paso 1 (La base): "¿Esta célula pertenece a la familia de los Linfocitos o a los Mieloides?" (Es una pregunta fácil, como decir: "¿Es un animal o una planta?").
Paso 2 (El medio): Una vez que sabe que es un Linfocito, solo busca dentro de esa familia: "¿Es un linfocito pequeño o uno grande?".
Paso 3 (La cima): Finalmente, llega al detalle máximo: "¿Es exactamente el tipo de célula que indica leucemia?".

Al trabajar así, si la IA se equivoca en el último paso, al menos sabe que está en la "familia" correcta, lo que evita errores catastróficos.

3. El Banco de Datos: "El Álbum de Referencias" (kNN y Feature Bank)

Para no confiar solo en su memoria, la IA tiene un "Álbum de Fotos de Referencia". Cuando ve una célula nueva, no intenta adivinarla de inmediato. En su lugar, corre al álbum y busca: "Muéstrame las 10 fotos más parecidas que tengo guardadas".

Si las 10 fotos más parecidas en su álbum son de un tipo específico de célula, la IA dice: "¡Ajá! Por lo que veo, esta nueva célula debe ser igual a estas". Esto se llama kNN (vecinos más cercanos), y es como cuando vas a una fiesta y ves a alguien que se parece mucho a tu primo; asumes que probablemente sea de la misma familia.

4. El Resultado: "El Consejo de Sabios" (Ensemble Learning)

Para estar totalmente seguros, los científicos no usan un solo detective, sino un "Consejo de Sabios". Entrenan varios modelos ligeramente diferentes y, al final, les preguntan a todos. Si la mayoría coincide en la respuesta, esa es la decisión final. Esto evita que un solo detective "distraído" arruine el diagnóstico.

En resumen:

Este sistema es como un detective experto que:

Tiene un cerebro muy bien entrenado (pero con notas rápidas).
No adivina a lo loco, sino que va de lo general a lo particular (como una pirámide).
Siempre consulta su álbum de fotos para comparar.
Consulta con sus colegas para no cometer errores por un descuido.

¿Por qué es importante? Porque en la lucha contra el cáncer, la precisión no es un lujo, es una cuestión de vida o muerte. Este método ayuda a que las máquinas sean tan robustas y cuidadosas como los mejores médicos.

Resumen Técnico: Un Pipeline de Inferencia de Conjunto Jerárquico para la Clasificación Robusta de Glóbulos Blancos bajo Desplazamientos de Dominio

1. El Problema

La clasificación automatizada de glóbulos blancos (WBC, por sus siglas en inglés) es fundamental para el cribado escalable de la leucemia. Sin embargo, el despliegue de modelos en entornos reales enfrenta el desafío del desplazamiento de dominio (domain shift), causado por variaciones en los protocolos de tinción, las características de los escáneres y la variabilidad entre laboratorios. Estos factores degradan el rendimiento de los modelos de aprendizaje profundo convencionales. Además, el problema presenta un fuerte desequilibrio de clases, donde las células críticas para el diagnóstico (como los blastos) son mucho más raras que otras, lo que dificulta su detección precisa.

2. Metodología Propuesta

Los autores proponen un pipeline de inferencia jerárquico basado en un conjunto de modelos (ensemble) y memoria aumentada, diseñado para ser robusto ante cambios de dominio. El método se divide en tres etapas principales:

Etapa I: Ajuste Fino (Fine-tuning) con LoRA: Utilizan un modelo base llamado DinoBloom (un Vision Transformer preentrenado) y lo adaptan mediante LoRA (Low-Rank Adaptation). Para mejorar la transferencia de características, emplean un esquema de profesor-estudiante con EMA (Media Móvil Exponencial) y una pérdida híbrida que combina aprendizaje autosupervisado (estilo DINO) con clasificación supervisada balanceada.
Etapa II: Construcción de un Banco de Características (Feature Bank): En lugar de depender únicamente de una capa de clasificación final, extraen y almacenan las representaciones (embeddings) normalizadas de todas las imágenes de entrenamiento en un banco de memoria.
Etapa III: Inferencia kNN Jerárquica: Para clasificar una nueva imagen, el sistema busca sus $k$ $k$ vecinos más cercanos en el banco de características mediante similitud de coseno. La inferencia sigue una lógica de lo grueso a lo fino (coarse-to-fine) basada en una taxonomía hematológica de tres niveles:
1. Se predice primero el linaje (Mieloide, Linfoide o Blasto).
2. Se restringe la búsqueda de la siguiente clase solo a los "hijos" del linaje predicho anteriormente.
3. Este proceso continúa hasta llegar a la clase de hoja (la más específica), lo que garantiza la consistencia biológica y reduce errores entre clases muy distintas.

3. Contribuciones Clave

Estrategia de Inferencia Jerárquica: Un enfoque de decisión de "grueso a fino" que mitiga el sesgo hacia las clases mayoritarias y mejora la precisión en subtipos raros.
Adaptación Eficiente de Parámetros: El uso de LoRA permite obtener representaciones altamente transferibles y robustas con un costo computacional y de parámetros reducido.
Robustez mediante Ensemble de Splits: Implementan un sistema de votación por mayoría utilizando múltiples divisiones de datos (multi-split majority voting) para estabilizar las predicciones frente a la variabilidad de los datos.

4. Resultados

El modelo fue evaluado en el desafío WBCBench (ISBI 2026). Los resultados principales indican:

Rendimiento Superior: El método basado en DinoBloom con LoRA alcanzó un Macro F1-score de 0.682, posicionándose entre los diez mejores de la competencia.
Eficacia de la Jerarquía: Los estudios de ablación demostraron que la inferencia jerárquica es mucho más efectiva que la inferencia estándar (sin restricciones jerárquicas), elevando el F1 de ~0.62 a ~0.68.
Ganancia por Ensemble: El uso de múltiples splits proporcionó mejoras consistentes y graduales en la robustez del modelo.

5. Significancia

Este trabajo demuestra que, para tareas médicas críticas donde los datos son desequilibrados y los entornos de captura varían, un enfoque que combine representaciones autosupervisadas robustas con una estructura de decisión basada en el conocimiento clínico (jerarquía) es superior a los clasificificadores de extremo a extremo (end-to-end) tradicionales. La investigación sienta las bases para el desarrollo de modelos fundacionales en hematología que puedan generalizarse entre diferentes hospitales y tecnologías de escaneo.