Segmentation Techniques for Malaria Parasites and Sickle Cells in Peripheral Blood Smear Microscopy: A Systematic Review of Artificial Intelligence Approaches for Field Deployment in Endemic Regions

Nos cantos silenciosos de um laboratório, um microscópio revela um mundo invisível a olho nu: uma fina película de sangue espalhada sobre uma lâmina de vidro, repleta de minúsculas células vermelhas arredondadas. Para médicos em regiões onde a malária e a anemia falciforme são comuns, examinar essas lâminas é uma tarefa diária de vida ou morte. Eles devem detectar os parasitas microscópicos que causam a malária ou identificar as células deformadas em forma de foice que sinalizam a doença falciforme. Este trabalho manual é lento, exaustivo e depende inteiramente dos olhos aguçados e das mãos firmes de um especialista treinado. Para aliviar esse fardo, cientistas passaram décadas ensinando computadores a olhar para essas imagens e encontrar os mesmos padrões que os humanos veem. O processo envolve três etapas principais: primeiro, limpar a imagem para remover o ruído; segundo, desenhar uma linha ao redor de cada célula para separá-la de suas vizinhas; e terceiro, decidir o que aquela célula é. Esta etapa final de desenhar as linhas, conhecida como segmentação, é a ponte crítica entre uma fotografia borrada e um diagnóstico confiável. Sem ela, um computador não consegue contar as células ou dizer se um parasita está escondido dentro de uma delas.

Uma nova revisão sistemática reúne cinquenta estudos verificados para examinar o desempenho desses sistemas computacionais, com um foco específico em saber se eles conseguem funcionar no campo, onde são mais necessários. Os pesquisadores, baseados na Universidade de Ciência e Tecnologia de Mbarara, analisaram uma ampla gama de abordagens, desde métodos mais antigos e simples até inteligência artificial moderna e complexa. Eles descobriram que, embora existam ferramentas poderosas novas, o caminho para um dispositivo confiável e portátil para clínicas remotas ainda está sendo pavimentado. A revisão confirma que os computadores já conseguem isolar células sanguíneas individuais e detectar parasitas com alta precisão, mas também destaca que esses sistemas frequentemente enfrentam dificuldades quando a iluminação muda, quando a coloração na lâmina é irregular ou quando as células se sobrepõem em um agrupamento desordenado. Os resultados mais promissores vêm de sistemas que combinam diferentes técnicas, mas os autores alertam que muitos estudos dependem de imagens perfeitas e curadas, em vez da realidade desordenada de um hospital de campanha.

A revisão distingue dois tipos principais de tecnologia usados para desenhar essas linhas ao redor das células. O primeiro grupo baseia-se em métodos clássicos, que são como seguir um conjunto simples de regras. Essas técnicas procuram diferenças de cor ou brilho para separar uma célula do fundo. São rápidas, exigem muito pouco poder de processamento e podem rodar em hardware simples e barato. No entanto, os autores observam que esses métodos são frágeis; se a coloração do sangue estiver ligeiramente escura demais ou se a luz do microscópio estiver irregular, o computador pode falhar em ver a célula. O segundo grupo utiliza o aprendizado profundo (deep learning), uma forma de inteligência artificial que aprende a reconhecer padrões estudando milhares de exemplos. Esses sistemas, frequentemente construídos sobre arquiteturas como a U-Net, são muito melhores em lidar com situações difíceis, como células que estão tocando-se ou sobrepondo-se, ou imagens que variam em qualidade. Eles podem aprender as formas sutis de uma célula falciforme ou o minúsculo ponto de um parasita mesmo quando a imagem não é perfeita. No entanto, esses sistemas poderosos exigem mais capacidade de computação e grandes quantidades de dados rotulados para treinamento, o que pode ser uma barreira em ambientes com recursos limitados.

Ao olhar especificamente para a malária, os estudos mostram uma progressão clara da contagem simples para a detecção sofisticada. O trabalho inicial focava em separar as células vermelhas infectadas das saudáveis usando cor e forma. Sistemas mais recentes utilizam o aprendizado profundo não apenas para encontrar as células, mas para identificar o estágio específico do parasita dentro delas. Um estudo notável, o RBCNet, combinou um modelo de aprendizado profundo que agrupa as células com um sistema de detecção que refina a localização de cada uma, analisando com sucesso quase 200.000 células de centenas de pacientes. Outro sistema utilizou um microscópio de telefone celular para detectar parasitas, provando que equipamentos de laboratório de alto nível não são estritamente necessários. Contudo, a revisão aponta que muitos desses sucessos foram alcançados em conjuntos de dados cuidadosamente preparados em laboratório, levantando questões sobre o quão bem eles desempenhariam em uma lâmina preparada por um técnico em uma aldeia remota, com diferentes iluminação e suprimentos de coloração.

Para a anemia falciforme, o desafio é ligeiramente diferente. O diagnóstico depende de detectar a forma única e rígida das células falciformes, que frequentemente se emaranham com células saudáveis e arredondadas. Aqui, a capacidade de separar células sobrepostas é o fator mais crítico. A revisão destaca um exemplo de implantação em campo particularmente bem-sucedido, onde um sistema de microscopia por smartphone processou o esfregaço de um paciente em menos de sete segundos. Ao usar um modelo de aprendizado profundo para segmentar a imagem em células saudáveis, células falciformes e fundo, o sistema alcançou uma precisidade de cerca de 98 por cento em um teste cego. Esse resultado sugere que, com a combinação certa de melhoria de imagem e segmentação, um dispositivo portátil poderia fornecer triagem rápida e confiável fora de um laboratório tradicional.

Apesar desses avanços encorajadores, os autores identificam lacunas significativas que impedem que essas tecnologias se tornem ferramentas padrão em regiões endêmicas. O maior obstáculo é a falta de dados padronizados. Muitos estudos utilizam conjuntos de dados pequenos que não representam a variedade total de amostras de sangue vistas no mundo real, e poucos sistemas são testados em diferentes hospitais ou com diferentes tipos de microscópios. Há também uma falta de transparência em relação aos requisitos práticos desses sistemas. Muitos artigos relatam alta precisão, mas falham em mencionar quanto tempo a análise leva, quanta memória o software exige ou quanta energia de bateria consome. Para um dispositivo ser útil em uma clínica de campo, ele deve funcionar offline, rodar em uma bateria simples e entregar um resultado rápido o suficiente para ajudar um médico a tomar uma decisão em tempo real.

A revisão conclui que o futuro da análise de esfregaço sanguíneo reside em sistemas híbridos que equilibram potência com praticidade. Embora o aprendizado profundo ofereça uma adaptabilidade superior a formas celulares complexas e grupos sobrepostos, os métodos clássicos ainda mantêm valor por sua velocidade e baixo custo. O caminho mais eficaz para o futuro, segundo os autores, é desenvolver sistemas que sejam robustos contra variações de coloração e iluminação, validados em múltiplos locais com dados reais de pacientes e projetados para rodar em hardware portátil e de baixo custo. Até que esses sistemas possam lidar com a imprevisibilidade do campo tão bem quanto lidam com o ambiente controlado de um laboratório, a promessa de um diagnóstico totalmente automatizado e acessível para a malária e a anemia falciforme permanecerá apenas fora de alcance. A tecnologia está pronta, mas a ponte para a clínica exige mais do que apenas precisão; exige resiliência, simplicidade e uma compreensão profunda das condições onde essas ferramentas serão realmente utilizadas.