Hybrid Deep Learning Framework for Anemia Detection and Classification Using RBC Images and CBC Data

Resumen Técnico: Marco de Aprendizaje Profundo Híbrido para la Detección y Clasificación de la Anemia

Planteamiento del Problema
La anemia, caracterizada por una reducción en los glóbulos rojos (RBC) o en los niveles de hemoglobina, es un trastorno hematológico prevalente que afecta a una parte significativa de la población mundial, particularmente a mujeres, niños y mujeres embarazadas. Si bien los diagnósticos clínicos rutinarios, como el análisis de Hemograma Completo (CBC) y los exámenes de frotis de sangre periférica, son efectivos, a menudo requieren mucho tiempo, son costosos y necesitan personal capacitado. El artículo aborda la necesidad de procedimientos de detección rápidos, económicos y automatizados que puedan asistir en la detección temprana y la graduación de la severidad, especialmente en entornos con recursos limitados.

Metodología
Los autores proponen un marco híbrido que integra dos modalidades de datos distintas: el análisis morfológico de imágenes de frotis de glóbulos rojos y el análisis cuantitativo de los datos de los informes de CBC.

1. Clasificación Basada en Imágenes (Análisis de Frotis de Glóbulos Rojos):

   • Conjunto de Datos: El estudio utiliza un conjunto de datos de imágenes de frotis de sangre periférica segmentadas, categorizadas en clases sanas y anémicas.
   • Preprocesamiento: Las imágenes se redimensionan a 224x224 píxeles, se normalizan para manejar las variaciones de intensidad y se aumentan (rotación, volteo, zoom, ajuste de brillo) para mitigar el sobreajuste.
   • Comparación de Modelos: Se evaluaron cinco arquitecturas de Redes Neuronales Convolucionales (CNN) preentrenadas utilizando aprendizaje por transferencia durante 30 épocas: ResNet-18, VGG19, MobileNetV2, EfficientNet-B0 y DenseNet121.
   • Selección: Se seleccionó DenseNet121 como la arquitectura óptima debido a su mecanismo de conexión densa, que facilita la reutilización de características, mejora el flujo de gradientes y reduce la desaparición de gradientes. Demostró una capacidad superior para aprender características finas de los glóbulos rojos.

2. Predicción de Severidad Basada en CBC:

   • Datos: El sistema utiliza parámetros hematológicos estándar que incluyen Hemoglobina (HGB), Hematocrito (HCT), Volumen Corpuscular Medio (MCV), Hemoglobina Corpuscular Media (MCH), MCHC, recuento de glóbulos rojos (RBC), recuento de glóbulos blancos (WBC), recuento de plaquetas (PLT) y Ancho de Distribución de Glóbulos Rojos (RDW).
   • Modelado: Se desarrolló un enfoque de Ensamble de Apilamiento (Stacking Ensemble) para predecir la severidad de la anemia.
     • Clasificadores Base: K-Vecinos Más Cercanos (KNN), Bosque Aleatorio (RF) y XGBoost.
     • Meta-Clasificador: Regresión Logística.
   • Proceso: Los clasificadores base se entrenan de forma independiente, sus predicciones se agregan como nuevas características y el meta-clasificador genera la predicción final de severidad.

Contribuciones Clave

• Arquitectura Híbrida: El artículo presenta un sistema de vía dual que combina el poder de diagnóstico visual del aprendizaje profundo (para la morfología) con el poder predictivo estadístico del aprendizaje automático de ensamble (para los parámetros clínicos).
• Benchmarking Arquitectónico: Un análisis comparativo de cinco CNN de vanguardia específicamente para la clasificación de frotis de glóbulos rojos, identificando a DenseNet121 como la más efectiva para esta tarea específica de imagen médica.
• Optimización del Ensamble: El desarrollo de un clasificador de apilamiento para datos de CBC, demostrando que la combinación de diversos algoritmos (KNN, RF, XGBoost) produce una mayor precisión que los modelos individuales para datos hematológicos estructurados.

Resultados

• Clasificación de Imágenes: DenseNet121 alcanzó el mayor rendimiento entre las CNN probadas, alcanzando un 94.0% de precisión en el conjunto de prueba. El modelo demostró una precisión, exhaustividad (recall) y puntuación F1 de 0.94, con una precisión de validación del 95.0%. El tiempo de inferencia se registró en 0.2585 segundos por imagen en una CPU, lo que sugiere su idoneidad para el triaje práctico.
• Predicción de Severidad: El modelo de ensamble de apilamiento aplicado a los datos de CBC logró un 98.0% de precisión en la predicción de la severidad de la anemia. La matriz de confusión indicó una alta fiabilidad en la distinción entre diferentes niveles de severidad.
• Generalización: Las curvas de entrenamiento y validación para el modelo DenseNet121 mostraron una divergencia mínima (la pérdida disminuyó de 0.1325 a 0.0798), lo que indica fuertes capacidades de generalización sin un sobreajuste significativo.

Significado y Reivindicaciones
Los autores afirman que este marco ofrece una "solución exhaustiva y prácticamente útil" para el monitoreo y la graduación de la anemia. Al integrar fuertes capacidades de análisis de imagen con el aprendizaje automático para el análisis de CBC, el sistema busca mejorar la eficiencia en los flujos de trabajo rutinarios. El artículo postula que el método propuesto es efectivo y desplegable para el cribado rápido, capaz de asistir a los profesionales de la salud en la detección temprana y la evaluación de la severidad de los síntomas. El estudio concluye que el enfoque híbrido cumple con éxito los objetivos de un diagnóstico automático y eficiente basado tanto en características visuales como clínicas.

Limitaciones y Direcciones Futuras
Los autores reconocen que, si bien el marco es prometedor, el trabajo futuro requiere la validación con muestras clínicas más grandes y complejas. También sugieren la integración de técnicas de IA explicable (XAI) para mejorar la interpretabilidad clínica y el desarrollo de nuevos parámetros hematológicos. El objetivo final mencionado es el despliegue directo del sistema en entornos de diagnóstico.