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

Título: Sinergizando Aprendizado Profundo e Heurísticas Biológicas para Classificação de Células Brancas do Sangue em Distribuições de Cauda Longa Extrema

1. O Problema

A classificação automatizada de células brancas do sangue (WBC) é fundamental para a triagem de leucemia. No entanto, os modelos de aprendizado profundo (DL) enfrentam desafios severos em cenários clínicos reais devido a:

• Desequilíbrio de Classes Extremo: O conjunto de dados (WBCBench 2026) apresenta uma distribuição de cauda longa extrema, com uma razão de desequilíbrio de 1.200:1. A classe majoritária (Neutrófilos Segmentados) possui 17.354 amostras, enquanto classes patológicas raras, como Prolinfócitos (PLY) e Células Plasmáticas (PC), possuem apenas 14 e 90 amostras, respectivamente.
• Viés de Domínio e Artefatos: As imagens de microscopia contêm ruídos, artefatos de coloração e células vermelhas do sangue circundantes que distraem os modelos.
• Falha em Subtipos Raros: Os modelos tendem a superajustar-se às classes dominantes e falham em generalizar para subtipos raros, frequentemente classificando erroneamente células patológicas como linfócitos maduros comuns devido a sobreposições morfológicas sutis.

2. Metodologia Proposta

Os autores propõem um framework híbrido de três estágios que integra restauração generativa, aprendizado de representação hierárquico e refinamento baseado em heurísticas biológicas.

• Estágio 1: Restauração e Pré-processamento (GAN Pix2Pix)

  • Segmentação: Uso do CellPose para isolar a WBC principal, removendo o contexto de fundo irrelevante.
  • Restauração Generativa: Como não há pares limpos/ruídos no dataset, os autores criaram um fluxo de adaptação de domínio:
    1. Separação dos dados em subconjuntos "ruidosos" e "limpos" usando um filtro quantitativo.
    2. Geração de pares sintéticos injetando ruído "sal e pimenta" nos dados limpos.
    3. Treinamento de uma rede Pix2Pix GAN nesses pares sintéticos para aprender o mapeamento não linear de restauração, recuperando detalhes morfológicos de alta frequência (como granulação citoplasmática) antes da extração de características.

• Estágio 2: Classificador de Características de Dupla Ramificação

  • Ramo Hierárquico (Swin-T): Um backbone Swin Transformer treinado com Focal Loss sensível a custos (ponderado por frequência inversa) e amostragem aleatória ponderada para mitigar o domínio da classe majoritária.
  • Ramo Contrastivo (MedSigLIP): Utilização de embeddings pré-extraídos do modelo MedSigLIP. Um cabeçalho de projeção mapeia esses embeddings para um espaço latente normalizado, fornecendo um segundo conjunto de probabilidades ricas em contexto semântico.

• Estágio 3: Estratégia de Refinamento Híbrido Adaptativo (Supressão e Resgate)

  • Este é o componente central da inovação, projetado para recuperar previsões suprimidas de classes raras em cenários Out-of-Distribution (OOD). O algoritmo segue três fases:
    1. Boost de Sensibilidade: Aumenta artificialmente as probabilidades das classes raras (PLY, PC) baseando-se em fatores de inversão de frequência logarítmica.
    2. Verificação Semântica: Se um candidato raro for detectado, ele é validado pelo ramo MedSigLIP. Se a probabilidade semântica for baixa, a previsão original é mantida.
    3. Filtragem Biológica (Heurísticas): Aplica restrições morfológicas específicas para pares de confusão críticos:
       • PLY vs. Linfócitos (LY): Usa uma Pontuação de Espinhos (Spikiness Score) baseada na irregularidade do contorno. PLYs patológicos são mais irregulares que LYs suaves.
       • Células Plasmáticas (PC) vs. LY/VLY: Usa uma Distância de Mahalanobis sobre um vetor morfológico (razão núcleo-citoplasma, intensidade de coloração, deslocamento do centróide) para isolar células com citoplasma volumoso e núcleo excêntrico.

3. Resultados Principais

O método foi avaliado no desafio WBCBench 2026:

• Desempenho da Linha de Base: O modelo Swin-T sozinho atingiu um Macro-F1 de 0,7355 na validação interna, mas caiu para 0,63857 no conjunto de teste privado, indicando uma forte mudança de domínio (OOD).
• Limitação de Métodos Tradicionais: Técnicas padrão de aprendizado de cauda longa (como LDAM Loss, Decoupling e Over-sampling) estagnaram em torno de 0,66 no leaderboard.
• Impacto do Framework Proposto:
  • A adição da verificação semântica (MedSigLIP) elevou o Macro-F1 para 0,71528.
  • A inclusão final das restrições morfológicas biológicas (Fase 3) resultou em um Macro-F1 final de 0,77139.
• Conclusão dos Resultados: O framework superou significativamente os métodos puramente baseados em dados, demonstrando que a integração de conhecimento de domínio (biológico) é crucial para a generalização em cenários de extrema escassez de dados.

4. Contribuições Chave

1. Framework Híbrido: Uma arquitetura que combina redes neurais profundas com heurísticas biológicas explícitas, superando a dependência exclusiva de dados.
2. Restauração Generativa Adaptativa: Uma solução inovadora para o uso de GANs em dados médicos sem pares de treinamento limpos/ruídos, através da geração sintética de pares.
3. Estratégia de Resgate de OOD: Um mecanismo de "Supressão e Resgate" que utiliza restrições geométricas e estatísticas (Mahalanobis) para corrigir erros sistemáticos de modelos de DL em classes raras.
4. Desempenho de Estado da Arte: Alcançou o topo do leaderboard privado do desafio WBCBench 2026, provando a eficácia da abordagem.

5. Significado e Impacto

Este trabalho destaca que, para problemas médicos com distribuições de cauda longa extrema, o aprendizado profundo puro é insuficiente devido à falta de dados e sobreposição morfológica. A incorporação de priors biológicos (como a forma do núcleo e a textura da membrana) diretamente no pipeline de inferência não apenas melhora a precisão métrica, mas também aumenta a confiabilidade clínica do sistema. A abordagem sugere um caminho futuro para sistemas de diagnóstico que integram aprendizado de máquina tradicional e representações profundas para criar pipelines de diagnóstico hematológico robustos e clinicamente confiáveis.