Segmentation Techniques for Malaria Parasites and Sickle Cells in Peripheral Blood Smear Microscopy: A Systematic Review of Artificial Intelligence Approaches for Field Deployment in Endemic Regions

En los rincones silenciosos de un laboratorio, un microscopio revela un mundo invisible al ojo humano: una fina película de sangre extendida sobre un portaobjetos de vidrio, repleta de diminutas y redondeadas células rojas. Para los médicos en regiones donde la malaria y la anemia falciforme son comunes, examinar estas láminas es una tarea diaria de vida o muerte. Deben detectar los parásitos microscópicos que causan la malaria o identificar las células deformadas en forma de media luna que señalan la enfermedad de células falciformes. Este trabajo manual es lento, agotador y depende enteramente de la vista aguda y las manos firmes de un experto capacitado. Para aliviar esta carga, los científicos han pasado décadas enseñando a las computadoras a mirar estas imágenes y encontrar los mismos patrones que ven los humanos. El proceso involucra tres pasos principales: primero, limpiar la imagen para eliminar el ruido; segundo, dibujar una línea alrededor de cada célula para separarla de sus vecinas; y tercero, decidir qué es esa célula. Este último paso de dibujar las líneas, conocido como segmentación, es el puente crítico entre una fotografía borrosa y un diagnóstico confiable. Sin él, una computadora no puede contar las células ni determinar si un parásito se esconde dentro de una.

Una nueva revisión sistemática reúne cincuenta estudios verificados para examinar qué tan bien se están desempeñando estos sistemas informáticos, con un enfoque específico en si pueden funcionar en el campo donde más se necesitan. Los investigadores, basados en la Universidad de Ciencia y Tecnología de Mbarara, analizaron una amplia gama de enfoques, desde métodos más antiguos y simples hasta la inteligencia artificial moderna y compleja. Encontraron que, si bien existen herramientas poderosas nuevas, el camino hacia un dispositivo portátil y confiable para clínicas remotas aún se está pavimentando. La revisión confirma que las computadoras ya pueden aislar células sanguíneas individuales y detectar parásitos con alta precisión, pero también destaca que estos sistemas suelen tener dificultades cuando la iluminación cambia, cuando la tinción en la lámina es desigual o cuando las células se superponen en un grupo desordenado. Los resultados más prometedores provienen de sistemas que combinan diferentes técnicas, aunque los autores advierten que muchos estudios dependen de imágenes perfectas y curadas en lugar de la realidad desordenada de un hospital de campaña.

La revisión distingue entre dos tipos principales de tecnología utilizados para dibujar estas líneas alrededor de las células. El primer grupo se basa en métodos clásicos, que son como seguir un conjunto simple de reglas. Estas técnicas buscan diferencias en el color o el brillo para separar una célula del fondo. Son rápidas, requieren muy poca potencia de cómputo y pueden ejecutarse en hardware simple y económico. Sin embargo, los autores señalan que estos métodos son frágiles; si la tinción de la sangre es ligeramente demasiado oscura o la luz del microscopio es desigual, la computadora podría no ver la célula en absoluto. El segundo grupo utiliza el aprendizaje profundo (deep learning), una forma de inteligencia artificial que aprende a reconocer patrones estudiando miles de ejemplos. Estos sistemas, a menudo construidos sobre arquitecturas como U-Net, son mucho mejores para manejar situaciones difíciles, como células que se tocan o se superponen, o imágenes que varían en calidad. Pueden aprender las formas sutiles de una célula falciforme o la diminuta mota de un parásito incluso cuando la imagen no es perfecta. No obstante, estos sistemas potentes demandan más potencia de cómputo y grandes cantidades de datos etiquetados para ser entrenados, lo que puede ser una barrera en entornos de recursos limitados.

Al observar específicamente la malaria, los estudios muestran una progresión clara desde el conteo simple hasta la detección sofisticada. El trabajo temprano se centró en separar las células rojas infectadas de las sanas utilizando el color y la forma. Los sistemas más recientes utilizan el aprendizaje profundo no solo para encontrar las células, sino también para identificar la etapa específica del parásito dentro de ellas. Un estudio notable, RBCNet, combinó un modelo de aprendizaje profundo que agrupa las células con un sistema de detección que refina la ubicación de cada una, analizando con éxito casi 200,000 células de cientos de pacientes. Otro sistema utilizó un microscopio de teléfono móvil para detectar parásitos, demostrando que no es estrictamente necesario contar con equipo de laboratorio de alta gama. Sin embargo, la revisión señala que muchos de estos éxitos se lograron con conjuntos de datos cuidadosamente preparados en un laboratorio, lo que plantea dudas sobre cómo funcionarían en una lámina preparada por un técnico en un pueblo remoto con suministros de iluminación y tinción diferentes.

Para la enfermedad de células falciformes, el desafío es ligeramente diferente. El diagnóstico depende de detectar la forma única y rígida de las células falciformes, que a menudo se enredan con las células sanas y redondeadas. Aquí, la capacidad de separar las células superpuestas es el factor más crítico. La revisión destaca un ejemplo de despliegue de campo particularmente exitoso donde un sistema de microscopio para smartphone procesó el frotis de sangre de un paciente en menos de siete segundos. Al utilizar un modelo de aprendizaje profundo para segmentar la imagen en células sanas, células falciformes y fondo, el sistema logró una precisión de aproximadamente el 98 por ciento en una prueba a ciegas. Este resultado sugiere que, con la combinación adecuada de mejora de imagen y segmentación, un dispositivo portátil podría proporcionar un cribado rápido y confiable fuera de un laboratorio tradicional.

A pesar de estos avances alentadores, los autores identifican brechas significativas que impiden que estas tecnologías se conviertan en herramientas estándar en las regiones endémicas. El mayor obstáculo es la falta de datos estandarizados. Muchos estudios utilizan conjuntos de datos pequeños que no representan la variedad completa de muestras de sangre que se ven en el mundo real, y pocos sistemas son probados en diferentes hospitales o con diferentes tipos de microscopios. También hay una falta de transparencia respecto a los requisitos prácticos de estos sistemas. Muchos artículos reportan una alta precisión pero no mencionan cuánto tiempo toma el análisis, cuánta memoria necesita el software o cuánta energía de batería consume. Para que un dispositivo sea útil en una clínica de campo, debe funcionar sin conexión, ejecutarse en una batería simple y entregar un resultado lo suficientemente rápido como para ayudar a un médico a tomar una decisión en tiempo real.

La revisión concluye que el futuro del análisis de frotis de sangre reside en sistemas híbridos que equilibren la potencia con la practicidad. Si bien el aprendizaje profundo ofrece una adaptabilidad superior ante formas celulares complejas y grupos superpuestos, los métodos clásicos aún conservan su valor por su velocidad y bajo costo. El camino más efectivo, según los autores, es desarrollar sistemas que sean robustos contra las variaciones en la tinción y la iluminación, validados en múltiples sitios con datos reales de pacientes y diseñados para ejecutarse en hardware portátil y de bajo costo. Hasta que estos sistemas puedan manejar la imprevisibilidad del campo tan bien como manejan el entorno controlado de un laboratorio, la promesa de un diagnóstico totalmente automatizado y accesible para la malaria y la anemia falciforme permanecerá justo fuera de nuestro alcance. La tecnología está lista, pero el puente hacia la clínica requiere más que solo precisión; requiere resiliencia, simplicidad y una comprensión profunda de las condiciones en las que estas herramientas se utilizarán realmente.