🤖 AI

PRISM: Perinuclear Ring-based Image Segmentation Method for Acute Lymphoblastic Leukemia Classification

El artículo presenta PRISM, un método novedoso para clasificar la leucemia linfoblástica aguda que elude los desafíos de la segmentación citoplasmática mediante el uso de anillos perinucleares adaptativos para extraer descriptores robustos de textura y color, logrando una alta precisión (98,46%) y un área bajo la curva de precisión-recall (0,9937) mediante un conjunto calibrado de clasificadores tradicionales.

Autores originales: Larissa Ferreira Rodrigues Moreira, Leonardo Gabriel Ferreira Rodrigues, Rodrigo Moreira, André Ricardo Backes

Publicado 2026-05-14

📖 4 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Larissa Ferreira Rodrigues Moreira, Leonardo Gabriel Ferreira Rodrigues, Rodrigo Moreira, André Ricardo Backes

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

Imagina que eres un médico intentando detectar un tipo específico de perturbador (una célula sanguínea cancerosa) en una habitación abarrotada llena de personas inocentes (células sanguíneas sanas). Los perturbadores se parecen mucho a los inocentes, y la iluminación de la habitación suele ser tenue o desigual, lo que dificulta distinguirlos.

Durante mucho tiempo, los ordenadores que intentaban realizar esta tarea tuvieron dos problemas principales:

El problema del "contorno": Intentaban dibujar un círculo perfecto alrededor de cada célula individual para separarla del fondo. Pero como las células son pegajosas, se superponen y los colores son desordenados, el ordenador seguía confundido y dibujaba las líneas incorrectas.
El problema de la "caja negra": Los ordenadores más nuevos y inteligentes (aprendizaje profundo) dejaron de intentar dibujar líneas y simplemente adivinaron basándose en la imagen completa. Se volvieron buenos adivinando, pero eran como una bola mágica 8: daban la respuesta correcta, pero nadie sabía por qué decían sí o no. Además, necesitaban superordenadores masivos y costosos para aprender.

Presentamos PRISM: El detective de "anillos concéntricos"

Los autores de este artículo, Larissa, Leonardo, Rodrigo y André, desarrollaron un nuevo método llamado PRISM. En lugar de intentar dibujar el borde desordenado de la célula, decidieron centrarse en lo único que siempre es estable y fácil de encontrar: el núcleo (el centro oscuro de la célula).

Así es como funciona PRISM, utilizando una analogía sencilla:

1. El ancla (El núcleo)

Piensa en el núcleo como un faro en un mar neblinoso. Es la única parte de la célula que es oscura, redonda y fácil de localizar. PRISM encuentra este faro primero y se fija en él.

2. Los anillos (Las zonas perinucleares)

En lugar de intentar encontrar la línea de costa (la membrana celular), PRISM dibuja dos anillos invisibles y expansivos alrededor del faro:

Anillo 1 (La zona proximal): Esta es el área inmediata justo al lado del faro. En las células sanas, esta zona se ve de una manera; en las células enfermas, se ve diferente.
Anillo 2 (La zona distal): Este es un anillo ligeramente más amplio, situado más hacia afuera.

Al observar estos anillos específicos, el ordenador no necesita saber dónde termina la célula y dónde comienza el fondo. Solo observa el "barrio" justo alrededor del núcleo.

3. Las pistas (Características)

Una vez dibujados los anillos, PRISM actúa como un científico forense. No solo mira la imagen; mide pistas específicas:

Colores: ¿Qué azul o amarillo es el anillo? (Las células cancerosas a menudo tienen patrones de color diferentes).
Textura: ¿Es el área lisa o granulada? (Como comparar la seda suave con la lija áspera).
Gradientes: ¿Qué tan rápido cambia el color a medida que te mueves desde el centro hacia el anillo?

Convierte todas estas pistas visuales en una simple lista de números (una "tabla"), en lugar de intentar procesar una imagen gigante y compleja.

4. El panel de jueces (El conjunto)

Finalmente, PRISM no depende de un solo programa informático para tomar la decisión final. Utiliza un "equipo" de diferentes algoritmos más simples (como un equipo de detectives con especialidades distintas).

Algunos son buenos detectando patrones en árboles (Random Forest).
Algunos son buenos dibujando líneas entre grupos (SVM).
Todos votan, y un "juez principal" (un meta-clasificador) observa sus votos para tomar la decisión final.

Los resultados: ¿Por qué esto es algo importante?

El artículo probó este método en un conjunto de datos estándar de células sanguíneas (ALL-IDB2) y encontró algunas cosas impresionantes:

Es increíblemente preciso: PRISM obtuvo una precisión del 98,46 %. Esto significa que identificó correctamente las células enfermas casi todas las veces.
Supera a las "cajas negras": Sorprendentemente, este método simple basado en anillos funcionó mejor o igual que los modelos de aprendizaje profundo más avanzados y complejos (como ResNet y Swin Transformers) que requieren superordenadores masivos.
Es transparente: Como PRISM observa anillos y colores específicos, un médico puede realmente entender por qué el ordenador tomó una decisión. No es una adivinanza mágica; se basa en hechos medibles.
Es barato y rápido: No necesitas una tarjeta gráfica de 10.000 dólares para ejecutarlo. Funciona fácilmente en un ordenador estándar (solo CPU), lo que lo hace perfecto para lugares con recursos limitados.

En resumen
PRISM es una solución inteligente. En lugar de luchar una batalla perdida para dibujar contornos perfectos alrededor de células desordenadas, ignora por completo los bordes. Se centra en el centro estable, mide el entorno inmediato y utiliza un equipo de herramientas simples y explicables para diagnosticar el problema. Demuestra que, a veces, no necesitas una inteligencia artificial súper compleja para resolver un problema médico; solo necesitas un enfoque inteligente y centrado.

Resumen Técnico: PRISM para la Clasificación de Leucemia Linfoblástica Aguda

Enunciado del Problema
El diagnóstico automatizado de la Leucemia Linfoblástica Aguda (LLA) mediante el análisis de frotis de sangre periférica enfrenta obstáculos significativos. Las pipelines tradicionales de Diagnóstico Asistido por Computadora (CAD) dependen en gran medida de una segmentación precisa de la membrana celular para extraer biomarcadores morfológicos (por ejemplo, agrandamiento nuclear, reducción citoplasmática). Sin embargo, este paso falla con frecuencia en condiciones de laboratorio rutinarias debido a la superposición de eritrocitos, bajo contraste nucleocitoplasmático e inconsistencias en la tinción. Por el contrario, aunque los enfoques de Aprendizaje Profundo (DL) (CNNs, Transformadores de Visión) han logrado una alta precisión, a menudo funcionan como "cajas negras" que carecen de interpretabilidad, son propensos al sobreajuste en conjuntos de datos médicos pequeños y requieren recursos computacionales sustanciales (GPUs) que limitan su implementación en entornos de atención sanitaria con recursos limitados o descentralizados.

Metodología: El Marco PRISM
Los autores proponen el Método de Segmentación de Imágenes basado en Anillo Perinuclear (PRISM), un enfoque ligero y independiente de GPU que evita la necesidad de una delimitación explícita de la membrana celular completa. La metodología se estructura en cuatro fases integradas:

Preprocesamiento y Segmentación Nuclear:
- Las imágenes de entrada (256 × 256) se estandarizan y se mapean a los espacios de color CIELAB y HSV.
- Se genera un mapa de puntuación cromática personalizado ( $S_{chroma}$ ) para maximizar el contraste nucleocitoplasmático ponderando el canal oponente azul-amarillo y la saturación.
- El núcleo se segmenta utilizando el umbral de Otsu en el canal de luminosidad, con una alternativa de agrupamiento K-Means para casos límite. Heurísticas topológicas filtran artefactos, resultando en una máscara nuclear robusta ( $M_n$ ) que sirve como ancla geométrica.
Mapeo Espacial Basado en PRISM (Extracción Zonal):
- En lugar de segmentar toda la célula, PRISM construye zonas concéntricas adaptativas alrededor del núcleo ( $M_n$ ).
- Una estrategia de dilatación adaptativa calcula un radio de expansión ( $\delta^*$ ) basado en el área nuclear para delimitar dinámicamente las zonas, evitando la extensión excesiva.
- Se definen dos zonas espaciales mutuamente excluyentes:
  - $Z_1$ (Interfaz Proximal): La región perinuclear inmediata ( $D_{\delta^*_1}(M_n) \setminus M_n$ ).
  - $Z_2$ (Citoplasma Distal): La región más alejada del núcleo ( $D_{\delta^*_2}(M_n) \setminus D_{\delta^*_1}(M_n)$ ).
- Estas zonas, junto con el núcleo y el límite celular bruto, sirven como bases independientes para la extracción de características.
Extracción de Características Multidominio:
- Morfología/Topología: Propiedades geométricas (área, circularidad, solidez) y la relación Núcleo:Citoplasma (N:C).
- Estadísticas Cromáticas: Momentos de primer orden (media, desviación estándar) de los canales RGB y en escala de grises. Crucialmente, el método calcula gradientes de intensidad espacial ( $\Delta$ ) que representan el decaimiento del color y la textura desde el núcleo hacia la periferia ( $\mu(M_n) - \mu(Z_i)$ ).
- Análisis Textural: Características de macro-textura (Contraste, Homogeneidad, Energía, Correlación) derivadas de Matrices de Co-ocurrencia de Niveles de Gris (GLCM) y heterogeneidades de micro-textura capturadas mediante Patrones Binarios Locales (LBP), muestreadas a 32 bins para reducir la dimensionalidad.
Meta-clasificación (Apilamiento de Ensembles):
- Se emplea una arquitectura de apilamiento de ensembles heterogéneos.
- Nivel-0: Un conjunto diverso de clasificadores base (Random Forest, Extra Trees, XGBoost, SVM, KNN, Regresión Logística).
- Calibración: Se aplica Escalado de Platt a las salidas de los modelos base para asegurar que representen probabilidades posteriores verdaderas.
- Nivel-1: Una Máquina de Vectores de Soporte (SVM) con un kernel RBF actúa como meta-clasificador, entrenado con probabilidades Fuera de Pliegue (OOF) para evitar la fuga de datos.

Contribuciones Clave

Metodología Matemática Adaptativa: PRISM reemplaza la tarea propensa a errores de la segmentación celular completa con un enfoque zonal concéntrico multiescala anclado en el núcleo biológicamente estable.
Interpretabilidad: A diferencia de los modelos DL opacos, PRISM fundamenta las predicciones en gradientes morfológicos y cromáticos explícitos y clínicamente verificables en la interfaz nucleocitoplasmática.
Eficiencia Computacional: El marco traduce una tarea de visión por computadora de alta dimensionalidad en un problema de aprendizaje automático tabular ligero, permitiendo inferencia de alto rendimiento en dispositivos con solo CPU y recursos limitados, sin dependencia de GPU.
Rendimiento de Vanguardia: La validación experimental demuestra que el ensemble impulsado por PRISM supera o iguala a arquitecturas DL de extremo a extremo de vanguardia en el conjunto de datos ALL-IDB2.

Resultados Experimentales
Evaluado en el conjunto de datos ALL-IDB2 (260 células aisladas: 130 leucémicas, 130 sanas) utilizando validación cruzada estratificada de 5 pliegues:

Rendimiento: La configuración óptima del ensemble (Extra Trees + SVM + Regresión Logística) logró una precisión del 98,46%, un AUC de Precisión-Recall de 0,9937 y un Coeficiente de Correlación de Matthews (MCC) de 0,9698.
Estudio de Ablación: El estudio encontró que un ensemble mínimo de dos modelos (RF + SVM) fue suficiente para alcanzar la precisión máxima (98,46%), mientras que aumentar la complejidad más allá de tres modelos no ofreció ganancias significativas y ocasionalmente degradó el rendimiento debido al sobreajuste del meta-clasificador.
Comparación con DL: PRISM superó a cinco líneas base de DL (ResNet-18, VGG16, DenseNet-121, EfficientNet-B0, Swin Transformer). Cabe destacar que EfficientNet-B0 alcanzó una precisión del 98,08%, mientras que PRISM logró un 98,46% sin requerir pesos preentrenados, aprendizaje por transferencia extensivo o aceleración por GPU.
Comparación con la Literatura: PRISM iguala el rendimiento de ensembles complejos recientes de DL (por ejemplo, [Rodrigues et al. 2022], [Das et al. 2025]) y supera significativamente a los métodos tradicionales diseñados a mano, todo mientras mantiene una pipeline de ejecución de bajo costo y sin GPU.

Significado y Afirmaciones
El artículo afirma que PRISM establece un nuevo estándar para el cribado automatizado de linfoblastos al equilibrar precisión, interpretabilidad y eficiencia. Su significado principal radica en:

Enfoque Biológico: Al restringir geométricamente el análisis al núcleo y anillos perinucleares, el método evita aprender artefactos de fondo confusos (por ejemplo, variaciones de tinción, densidad de eritrocitos) que a menudo afectan a las CNN de extremo a extremo.
Viabilidad Clínica: El marco proporciona un proceso de toma de decisiones transparente basado en marcadores biológicos verificables, abordando la limitación de "caja negra" del DL en entornos médicos.
Accesibilidad: Al eliminar la necesidad de GPUs de alto nivel y pipelines de entrenamiento complejos, PRISM ofrece una solución escalable adecuada para diagnósticos en el punto de atención en entornos con recursos limitados o descentralizados.

Los autores concluyen que las representaciones ligeras en segmentación e interpretables pueden ofrecer un cribado de LLA de alta precisión con eficiencia práctica, y proponen trabajo futuro para integrar PRISM en pipelines de microscopía portátil y validarlo con datos clínicos reales de diversos laboratorios.