📄 medicine

Automated Bone Marrow Cellularity Estimation from Whole-Slide Images Using Deep Learning: Validation in an Indian Clinical Cohort

Este estudo introduz o AiSAP, um framework de aprendizado profundo que alcança precisão de nível especialista na estimativa automática da celularidade da medula óssea a partir de imagens de lâmina inteira utilizando uma arquitetura dual Mask R-CNN, validada em uma coorte clínica indiana sub-representada.

Autores originais: Ankit Patlan Patil, Pulkit Rastogi, Durgadevi Sunderasan, Amanjit Bal, Prashant Sharma, Monika Sharma, Vishal Bhardwaj

Publicado 2026-08-14

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Ankit Patlan Patil, Pulkit Rastogi, Durgadevi Sunderasan, Amanjit Bal, Prashant Sharma, Monika Sharma, Vishal Bhardwaj

Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine um mundo onde os médicos têm que olhar para fatias minúsculas de tecido sob um microscópio para descobrir por que um paciente está doente. É como tentar encontrar alguns brinquedos pequenos e específicos escondidos dentro de uma caixa gigante e bagunçada de areia. É exatamente isso que acontece quando os médicos verificam a medula óssea de um paciente, o tecido esponjoso dentro de nossos ossos onde as células sanguíneas nascem. Para diagnosticar condições graves como leucemia ou anemia, eles precisam saber a "celularidade" da medula: quanto do espaço é preenchido por células formadoras de sangue versus células de gordura. No momento, um especialista humano tem que forçar a vista em uma lâmina de vidro, contar as células e adivinhar a porcentagem. É lento, é cansativo e dois especialistas diferentes podem olhar para a mesma lâmina e dar respostas ligeiramente diferentes. É aqui que a Inteligência Artificial (IA) entra. Pense na IA como um assistente robô super-rápido e incansável que pode olhar para uma foto digital de toda a lâmina e fazer a contagem para nós. Mas, para este robeto funcionar, ele precisa ser ensinado a ver a diferença entre uma célula sanguínea e uma célula de gordura, e precisa ser testado em pessoas reais para garantir que não se confunda.

Este artigo apresenta um novo assistente robô chamado AiSAP (Plataforma de Análise de Lâminas por Inteligência Artificial). A equipe por trás dele queria construir um sistema que pudesse olhar para uma foto digital bruta e gigante de uma biópsia de medula óssea e dizer automaticamente quão "lotada" ela está de células sanguíneas. Em vez de apenas olhar para um quadrado pequeno e pré-selecionado da imagem, o AiSAP olha para a lâmina inteira, encontra as partes certas e faz a matemática. Eles treinaram esta IA usando dados de 170 pacientes reais na Índia, um grupo que não tem sido muito utilizado em programas de computador anteriores. Os resultados são promissores: as estimativas da IA foram quase tão boas quanto as dos especialistas humanos. De fato, quando compararam os números da IA com a média de dois médicos humanos, os resultados coincidiram com uma correlação de 0,95 (que é muito próximo de um 1,0 perfeito). A IA tendeu a adivinhar que a contagem de células era ligeiramente maior do que a dos humanos — cerca de 7% a 8% maior — mas o padrão era tão consistente que os autores sugerem que isso pode significar que a IA está detectando células minúsculas que os humanos podem perder em um olhar rápido.

O "ingrediente secreto" do AiSAP é que ele funciona em duas etapas, como uma equipe de dois detetives especializados. Primeiro, o Modelo-1 escaneia toda a lâmina e desenha uma caixa ao redor das partes "interessantes", separando o tecido real da medula óssea do próprio osso, de coágulos de sangue ou de quaisquer artefatos bagunçados que tenham ocorrido durante a preparação da lâmina. É como um detetive dizendo: "Ok, ignore as pedras e a sujeira; vamos focar no bairro onde as pessoas vivem". Depois, o Modelo-2 dá um zoom nesse bairro e procura especificamente pelas células de "gordura" (adipócitos), que parecem bolhas claras e vazias. Uma vez que a IA sabe quanto espaço é ocupado pela gordura e quanto espaço é ocupado pelo restante do tecido, ela usa uma fórmula simples para calcular a porcentagem de celularidade.

Os pesquisadores testaram cinco "cérebros" diferentes (chamados de backbones) para sua IA para ver qual funcionava melhor. Eles descobriram que, enquanto alguns cérebros eram melhores em detectar objetos individuais, outros eram melhores em obter a porcentagem final correta. O melhor desempenho, usando uma arquitetura específica chamada X101_FPN, alcançou uma pontuação chamada Coeficiente de Correlação de Concordância de Lin de 0,882, o que significa que seu acordo geral com os especialistas humanos foi muito forte. Outro cérebro, o R50_C4, foi o melhor em corresponder à classificação exata dos casos, com uma correlação de 0,948.

No entanto, os autores são cautelosos ao não chamar isso de um problema "resolvido". Eles apontam que a IA ainda precisa de mais testes. Ela foi treinada e testada apenas em lâminas de um hospital específico na Índia. Se a forma como as lâminas são coradas ou cortadas mudar em outro hospital, a IA pode se confundir. Eles também admitem que a IA às vezes confunde osso esmagado ou tecido cicatricial denso com células vivas, razão pela qual ela tende a superestimar ligeiramente a contagem de células. Mas, apesar desses contratempos, o estudo mostra que essa abordagem de IA em duas etapas é um grande passo à frente. Sugere que podemos construir ferramentas que ajudem os patologistas a trabalhar de forma mais rápida e consistente, reduzendo a chance de um diagnóstico depender de quem estiver olhando para a lâmina naquele dia. Os autores concluem que, embora o AiSAP ainda não esteja pronto para substituir os médicos, é uma nova ferramenta poderosa que merece ser testada em muitos mais hospitais ao redor do mundo.

Resumo Técnico: Estimativa Automatizada de Celularidade de Medula Óssea a partir de Imagens de Lâmina Inteira Usando Aprendizado Profundo

Definição do Problema
A celularidade da medula óssea — a proporção de células hematopoiéticas em relação aos adipócitos — é um parâmetro diagnóstico crítico para distúrbios hematológicos, como leucemia, síndromes mielodisplásicas (SMD) e anemia aplástica. Atualmente, a avaliação da celularidade baseia-se na avaliação microscópica manual de seções de biópsia de trepanação coradas com Hematoxilina e Eosina (H&E) por hematopatologistas especialistas. Este processo é demorado, subjetivo e propenso à variabilidade interobservador. Embora o aprendizado profundo tenha avançado a imagem biomédica, os pipelines automatizados existentes frequentemente dependem de patches de imagem pré-selecionados ou recortados, em vez de processar Imagens de Lâmina Inteira (WSIs) de ponta a ponta. Além disso, há uma carência de ferramentas automatizadas validadas especificamente treinadas em coortes clínicas indianas, que estão sub-representadas nos conjuntos de dados existentes.

Metodologia: O Framework AiSAP
Os autores propõem o Artificial Intelligence Slide Analysis Platform (AiSAP), um framework de aprendizado profundo projetado para a estimação automatizada de ponta a ponta da celularidade diretamente de WSIs brutas. O sistema utiliza uma abordagem de segmentação de instância de dois estágios baseada na arquitetura Mask R-CNN, implementada via biblioteca Detectron2.

Arquitetura do Pipeline:
- Estágio 1 (Modelo-1): A WSI bruta é dividida em patches menores. O Modelo-1 realiza a segmentação de instância multiclasse para extrair a região de interesse (ROI) das "células". Ele distingue entre quatro classes: 'cells' (células hematopoiéticas, adipócitos e outras estruturas celulares), 'bone' (trabéculas ósseas), 'discarded_cells' (hemorragia, necrose, artefatos de compressão) e 'foreign_label' (artefatos de coloração, rachaduras no vidro).
- Estágio 2 (Modelo-2): As regiões identificadas como 'cells' pelo Modelo-1 são passadas para o Modelo-2. Este modelo é dedicado a segmentar a classe 'fat' (adipócito) dentro das regiões celulares extraídas.
- Cálculo da Celularidade: A porcentagem de celularidade é computada usando a fórmula:
  $\text{Celularidade (\%)} = \left(1 - \frac{A_{fat}}{A_{cells}}\right) \times 100$
  Onde $A_{fat}$ é a área total de adipócitos e $A_{cells}$ é a área total da medula identificada pelo Modelo-1.
Configurações de Modelo:
Cinco diferentes arquiteturas de backbone foram avaliadas sob condições de hiperparâmetros idênticas para determinar a configuração ideal:
- Baseado em FPN com PointRend: ResNet-50 (R50_FPN), ResNet-101 (R101_FPN) e ResNeXt-101 (X101_FPN).
- Escala única com Cabeça de Máscara Padrão: ResNet-50 (R50_C4) e ResNet-101 (DC5).
- Todos os modelos foram inicializados com pesos pré-treinados no COCO e ajustados (fine-tuned) em um conjunto de dados customizado derivado do Post Graduate Institute of Medical Education and Research (PGIMER), Chandigarh.
Conjunto de Dados:
O estudo utilizou uma coorte retrospectiva de 220 imagens de lâmina inteira. Os dados foram divididos em subconjuntos de treinamento (70%), validação (15%) e teste (15%). As anotações foram realizadas por um patologista sob supervisão médica, cobrindo aproximadamente 45.000 anotações para o Modelo-1 e 4.226 para o Modelo-2. A validação final envolveu 170 casos clínicos comparados contra a avaliação média de dois especialistas em hematopatologia independentes.

Principais Resultados

Desempenho da Segmentação de Instância:
- Para a tarefa de medula óssea multiclasse (Modelo-1), o backbone R101_DC5 alcançou a maior Precisão Média (AP) de 50,0% e recall de 82,2% no conjunto de validação.
- Para a tarefa de classe única gordura/adipócito (Modelo-2), o backbone R50_C4 alcançou o maior AP (88,9%) e recall (94,5%).
- A classe 'discarded_cells' permaneceu como a mais desafiadora para segmentação em todos os backbones (F1-score ~63–65%).
Concordância ao Nível de Caso:
- Ao comparar a celularidade prevista pelo modelo contra as avaliações dos especialistas em 170 casos, o backbone X101_FPN alcançou o maior Coeficiente de Correlação de Concordância de Lin (LCCC) de 0,882 com o menor viés sistemático (+6,9%).
- O R50_C4 alcançou o maior coeficiente de correlação de Pearson (0,948) e um LCCC de 0,857.
- Todos os backbones exibiram um viés positivo consistente (superestimação do modelo de 6,9% a 8,6% em comparação aos especialistas), o que os autores atribuem à capacidade do modelo de detectar pequenos elementos celulares frequentemente perdidos na inspeção visual rápida, embora a potencial classificação errônea de fibrose ou coágulos como área celular também seja observada.
- A análise de Bland–Altman confirmou que a maioria dos casos caiu dentro dos limites de concordância de 95%.

Significância e Alegações
O artigo afirma que o AiSAP representa um passo significativo em direção ao suporte à decisão clínica em patologia de medula óssea ao abordar a lacuna no processamento de ponta a ponta de WSIs para coortes clínicas indianas. Diferente de estudos anteriores que dependem de campos recortados ou segmentação semântica isolada, o AiSAP integra o empilhamento (tiling) automatizado, extração de ROI e segmentação de instância de dois estágios para fornecer uma razão de celularidade quantitativa diretamente de lâminas brutas.

Os autores afirmam que o framework atinge concordância de nível especialista (LCCC de até 0,88, Pearson $r$ de até 0,95), demonstrando que o aprendizado por transferência com arquiteturas Mask R-CNN pode gerar avaliações reproduzíveis que reduzem a variabilidade interobservador. Reconhecendo limitações como dados de centro único e viés sistemático, o estudo posiciona o AiSAP como uma ferramenta promissora e generalizável, que requer validação multi-institucional adicional para confirmar a robustez através de variados protocolos de coloração e cenários clínicos.

Resumo Técnico: Estimativa Automatizada de Celularidade de Medula Óssea a partir de Imagens de Lâmina Inteira Usando Aprendizado Profundo

Mais como este