An Interpretable AI Framework for Multiclass Classification of Thalassemia Using Combined CBC and HPLC Biomarkers

A talassemia é um distúrbio sanguíneo hereditário que afeta milhões de pessoas em todo o mundo, particularmente no Sul da Ásia, Sudeste Asiático e no Mediterrâneo. Ocorre quando o corpo não consegue produzir proteínas suficientes para formar a hemoglobina, a substância nas células vermelhas do sangue que transporta oxigênio. Sem proteínas suficientes, o corpo tem dificuldade em produzir células vermelhas saudáveis, levando à anemia e a uma série de outras complicações de saúde. Durante décadas, os médicos diagnosticaram esta condição examinando amostras de sangue sob um microscópio e utilizando máquinas especializadas para medir os diferentes tipos de hemoglobina presentes. Embora preciso, este processo é caro, demorado e depende fortemente da habilidade do médico individual que interpreta os resultados. Como resultado, é difícil realizar o rastreamento de grandes populações rapidamente, especialmente em regiões onde a doença é mais comum.

Nos últimos anos, cientistas recorreram à inteligência artificial para ajudar a automatizar este processo. A ideia é ensinar um computador a reconhecer os padrões nos resultados dos testes de sangue que indicam a talassemia, tal como faz um médico experiente, mas com a velocidade e a consistência de uma máquina. No entanto, criar tal sistema não é simples. Os testes de sangue produzem uma vasta quantidade de dados, e os padrões para diferentes tipos de doenças frequentemente se sobrepõem. Além disso, em qualquer grande grupo de pessoas sendo rastreadas, a vasta maioria é saudável, enquanto apenas uma pequena fração realmente possui a doença ou carrega o traço genético. Isso cria uma situação difícil para programas de computador, que tendem a ignorar os casos raros e simplesmente supõem que todos estão saudáveis porque é isso que acontece na maioria das vezes.

Uma equipe de pesquisadores da Universidade SR e do Instituto de Tecnologia e Ciência Jyothishmathi, na Índia, desenvolveu um novo framework para resolver estes problemas específicos. Eles criaram um sistema de computador projetado para analisar dois tipos diferentes de resultados de exames de sangue simultaneamente: uma contagem completa de sangue padrão, que mede o tamanho e o número das células vermelhas, e um teste mais detalhado chamado cromatografia líquida de alta eficiência, que separa e mede as frações específicas de hemoglobina. Ao combinar estas duas fontes de informação, os pesquisadores visaram construir um modelo que pudesse não apenas detectar a doença, mas também distinguir entre três grupos distintos: pessoas que são saudáveis, pessoas que carregam o traço genético (e podem transmiti-lo aos seus filhos) e pessoas que têm a forma ativa e grave da doença.

Os pesquisadores começaram com um conjunto massivo de dados contendo registros de mais de 13.000 pacientes. Esta coleção incluía medições detalhadas de nove marcadores sanguíneos fundamentais, juntamente com informações demográficas como idade e gênero. Os dados estavam fortemente desequilibrados, com indivíduos saudáveis compondo mais de 90 por cento dos registros, enquanto os casos graves da doença representavam menos de meio por cento. Para lidar com este desequilíbrio, a equipe primeiro limpou os dados, corrigindo erros na forma como as informações foram registradas e convertendo descrições de idade em números simples. Eles então agruparam os treze diferentes rótulos diagnósticos encontrados nos registros originais nas três categorias mais amplas necessárias para o seu sistema. Crucialmente, utilizaram uma técnica para criar artificialmente mais exemplos dos casos raros da doença dentro dos dados de treinamento, garantindo que o computador aprendesse a reconhecê-los tão bem quanto os casos saudáveis comuns.

Para encontrar a melhor maneira de classificar estes pacientes, a equipe testou quatro tipos diferentes de algoritmos avançados de aprendizado de máquina. Os dois primeiros baseavam-se em árvores de decisão, um método onde o computador faz uma série de perguntas de sim ou não sobre os valores sanguíneos para chegar a uma conclusão. O terceiro era um modelo de aprendizado profundo (deep learning) projetado especificamente para dados tabulares, que tenta encontrar relações complexas e não lineares entre os números. A quarta abordagem era um ensemble de "empilhamento" (stacking), que não dependia de um único algoritmo, mas sim combinava as previsões dos outros modelos para tomar uma decisão final. Os pesquisadores submeteram estes modelos a um processo de teste rigoroso, garantindo que os dados usados para ensinar o computador nunca fossem os mesmos dados usados para testá-lo, um passo necessário para provar que o sistema funciona em novos pacientes não vistos anteriormente.

Os resultados mostraram que a abordagem combinada foi a mais eficaz. O modelo de ensemble de empilhamento, que reuniu os pontos fortes dos outros algoritmos, alcançou uma precisidade de 99,89 por cento na identificação correta dos três grupos. Ele identificou com sucesso 94,7 por cento dos casos reais de doença e portadores, uma medida crítica na medicina, onde perder um diagnóstico pode ter consequências graves. Os outros modelos também tiveram um bom desempenho, com os modelos baseados em árvores de decisão vindo logo atrás, mas o modelo combinado superou consistentemente todos eles. Os pesquisadores também utilizaram um método para compreender exatamente como o computador estava tomando suas decisões. Eles descobriram que o sistema dependia fortemente de cinco biomarcadores específicos: o nível de um tipo de hemoglobina chamado HbA2, o tamanho médio das células vermelhas, a quantidade de hemoglobina dentro dessas células, a contagem total de células vermelhas e o nível de hemoglobina fetal.

Estas descobertas são significativas porque se alinham perfeitamente com o conhecimento médico estabelecido. Médicos sabem há muito tempo que níveis elevados de HbA2 e células vermelhas menores do que a média são as marcas registradas de portadores de talassemia, enquanto mudanças na hemoglobina fetal frequentemente sinalizam formas mais graves da doença. O fato de a inteligência artificial ter identificado independentemente estes mesmos fatores como os mais importantes dá aos médicos confiança de que o sistema não está apenas adivinhando, mas sim aprendendo as regras biológicas da doença. O estudo também destacou que, embora os modelos de deep learning sejam poderosos, eles podem exigir conjuntos de dados ainda maiores para superar os métodos mais tradicionais de árvore de decisão ao trabalhar com dados médicos estruturados.

Os pesquisadores reconhecem que o seu sistema ainda não é uma solução perfeita para todas as situações. Os dados vieram de uma única região da Índia, e os padrões genéticos da doença podem variar em outras partes do mundo. Além disso, o sistema é complexo, e o modelo mais preciso é mais difícil de explicar do que uma única árvore de decisão. No entanto, o estudo demonstra que é possível construir uma ferramenta de rastreamento altamente precisa e automatizada que consiga lidar com a realidade desordenada dos dados médicos do mundo real. Ao combinar diferentes tipos de testes de sangue e utilizar uma combinação inteligente de algoritmos de computador, este framework oferece um caminho promissor para um rastreamento mais rápido e confiável para a talassemia, potencialmente ajudando a identificar portadores e pacientes de forma mais precoce e eficaz do que os métodos atuais permitem.