Synergizing Deep Learning and Biological Heuristics for Extreme Long-Tail White Blood Cell Classification

Titel: Synergiseren van Deep Learning en Biologische Heuristieken voor Extreme Long-Tail Classificatie van Witte Bloedcellen

1. Het Probleem

Geautomatiseerde classificatie van witte bloedcellen (WBC) is cruciaal voor het screenen op leukemie, maar staat voor aanzienlijke uitdagingen bij het toepassen van deep learning-modellen op realistische klinische datasets. De hoofdzaken zijn:

• Extreme Class Imbalance (Klasse-onevenwichtigheid): De dataset (WBCBench 2026) vertoont een extreem langstaartverdeling. De meerderheidsklasse (Gekarteerde Neutrofielen) heeft 17.354 samples, terwijl zeldzame pathologische klassen zoals Plasma-cellen (PC) en Prolymfocyten (PLY) slechts respectievelijk 90 en 14 samples hebben (een onevenwichtigheid van 1.200-voud).
• Domain Shift en Artefacten: Realistische beelden bevatten ruis, kleurstofartefacten en omringende rode bloedcellen die de morfologie verstoren.
• Overfitting op Meerderheidsklassen: Bestaande deep learning-modellen neigen ertoe om te overfitten op dominante klassen, wat leidt tot systematische misclassificatie van zeldzame subtypes, vaak door ze te verwarren met gemeenschappelijke volwassen lymfocyten (LY).

2. Methodologie

De auteurs stellen een robuust hybride raamwerk voor dat bestaat uit drie fasen, waarbij diepe neurale netwerken worden gecombineerd met door experts geleide biologische heuristieken.

Fase 1: Preprocessing en GAN-herstel

• Isolatie: Gebruik van het CellPose-framework om de primaire witte bloedcel nauwkeurig te lokaliseren en achtergrondruis te verwijderen.
• Pix2Pix GAN Restauratie: Omdat er geen gepaarde "schoon-ruis" ground truth-data is, ontwikkelen de auteurs een aangepaste workflow:
  1. Quantitatieve filtering om ruizige en schone subsets te scheiden.
  2. Generatie van synthetische gepaarde trainingssamples door zout-en-peper ruis toe te voegen aan schone data.
  3. Training van een Pix2Pix GAN om corrupte domeinen terug te vertalen naar een hoog-trouw biologisch domein, waardoor cruciale details (zoals cytoplasmatische korrels) worden hersteld.

Fase 2: Dual-Branch Feature Classifier
Om hiërarchische texturen en semantische kenmerken te vangen, wordt een parallelle architectuur gebruikt:

• Hierarchische Transformer-tak: Een Swin-T Transformer backbone, geoptimaliseerd met Cost-sensitive Focal Loss (gebaseerd op inverse log-frequentie) en een gewogen random sampler om de meerderheidsklasse te onderdrukken.
• Contrastieve Tak (MedSigLIP): Gebruik van vooraf getrainde embeddings van MedSigLIP (een medisch specifiek contrastief model). Deze embeddings worden via een projectie-head gemapt naar een latente ruimte om een tweede, contextrijke set van kansen te genereren.

Fase 3: Adaptieve Hybride Verfijning (Suppress-and-Rescue)
Dit is de kerninnovatie: een "onderdruk-en-redd" strategie (Algorithm 1) om uit-distributie (OOD) voorspellingen te herstellen die door pure datagedreven modellen worden onderdrukt.

• Fase 1 (Sensitiviteit Boosting): De kansen voor zeldzame klassen (PLY, PC) worden kunstmatig opgeblazen.
• Fase 2 (Semantische Verificatie): De voorspelling wordt gecontroleerd tegen de MedSigLIP embeddings; als de semantische overeenkomst te laag is, wordt de basisvoorspelling behouden.
• Fase 3 (Biologische Filtering/Heuristieken): Als een zeldzame kandidaat de semantische test haalt, worden specifieke morfologische constraints toegepast:
  • PLY vs. LY: Berekening van een Spikiness Score (puntigheid) om de onregelmatige contour van pathologische cellen te onderscheiden van gladde lymfocyten.
  • PC vs. LY/VLY: Toepassing van een Mahalanobis-afstand filter op een vector van morfologische kenmerken (kern-cytoplasma verhouding, kleuring, centroid offset) om plasma-cellen te isoleren.

3. Belangrijkste Resultaten

De prestaties werden geëvalueerd op de WBCBench 2026 challenge (private leaderboard):

• Basislijn: Een enkelvoudig Swin-T model behaalde slechts 0,63857 Macro-F1 op de testset, wat wijst op ernstige domain shift.
• Conventionele Long-Tail Methoden: Methoden zoals LDAM Loss, Decoupling Classifier en Oversampling bleven steken rond de 0,66 Macro-F1.
• Hybride Raamwerk:
  • Toevoeging van MedSigLIP (Fase 2) verhoogde de score naar 0,71528.
  • De volledige integratie met biologische filtering (Fase 3) resulteerde in een Macro-F1 van 0,77139.
• Interne Validatie: De 5-voudige cross-validatie toonde een hoge Specificiteit (0,9932), maar een gemiddelde Balanced Accuracy van 0,7226, wat de noodzaak van de extra verfijningsstappen bevestigt.

4. Kernbijdragen

1. Hybride Architectuur: Het succesvol integreren van generatieve AI (GANs) voor beeldherstel, contrastief leren (MedSigLIP) voor semantische robuustheid, en traditionele wiskundige heuristieken (Mahalanobis, geometrische scores) voor morfologische validatie.
2. Oplossing voor Extreme Onevenwichtigheid: Het paper demonstreert dat puur datagedreven long-tail strategieën ontoereikend zijn bij extreme onevenwichtigheid (1.200-voud) en dat biologische priors essentieel zijn voor generalisatie.
3. Suppress-and-Rescue Strategie: Een innovatieve inferentiemethode die specifiek ontworpen is om misclassificaties van zeldzame pathologische cellen te corrigeren die anders door het model zouden worden genegeerd.

5. Betekenis en Toekomstperspectief

Dit onderzoek toont aan dat de combinatie van state-of-the-art deep learning met domeinspecifieke biologische kennis een krachtige route is voor medische beeldanalyse, vooral in scenario's met schaarse data. De methode behaalde een top-ranking in de ISBI 2026 WBCBench Challenge.

• Klinische Impact: Het biedt een betrouwbaarder diagnostisch hulpmiddel voor het detecteren van zeldzame leukemie-subtypes, wat essentieel is voor vroege behandeling.
• Toekomstig Werk: De auteurs plannen om deze heuristische aanpak te generaliseren naar alle minderheidsklassen en diepere integratie te zoeken tussen traditionele machine learning-algoritmen en diepe semantische embeddings voor een volledig klinisch diagnosekanaal.