Hybrid Deep Learning Framework for Anemia Detection and Classification Using RBC Images and CBC Data

Resumo Técnico: Estrutura de Aprendizado Profundo Híbrida para Detecção e Classificação de Anemia

Definição do Problema
A anemia, caracterizada por uma redução nos glóbulos vermelhos (hemácias) ou nos níveis de hemoglobina, é um distúrbio hematológico prevalente que afeta parcelas significativas da população global, particularmente mulheres, crianças e gestantes. Embora os diagnósticos clínicos de rotina, como a análise de Hemograma Completo (CBC) e os exames de esfregaço de sangue periférico, sejam eficazes, eles são frequentemente demorados, caros e exigem pessoal treinado. O artigo aborda a necessidade de procedimentos de triagem rápidos, econômicos e automatizados que possam auxiliar na detecção precoce e na graduação da gravidade, especialmente em ambientes com recursos limitados.

Metodologia
Os autores propõem uma estrutura híbrida que integra duas modalidades de dados distintas: análise morfológica de imagens de esfregaço de hemácias e análise quantitativa de dados de relatórios de hemogramas (CBC).

1. Classificação Baseada em Imagem (Análise de Esfregaço de Hemácias):

   • Conjunto de Dados: O estudo utiliza um conjunto de dados de imagens de esfregaço de sangue periférico segmentadas, categorizadas em classes saudável e anêmica.
   • Pré-processamento: As imagens são redimensionadas para 224x224 pixels, normalizadas para lidar com variações de intensidade e aumentadas (rotação, inversão, zoom, ajuste de brilho) para mitigar o sobreajuste (overfitting).
   • Comparação de Modelos: Cinco arquiteturas de Redes Neurais Convolucionais (CNN) pré-treinadas foram avaliadas utilizando aprendizado por transferência (transfer learning) ao longo de 30 épocas: ResNet-18, VGG19, MobileNetV2, EfficientNet-B0 e DenseNet121.
   • Seleção: A DenseNet121 foi selecionada como a arquitetura ideal devido ao seu mecanismo de conexão densa, que facilita o reuso de características, melhora o fluxo de gradiente e reduz o desaparecimento do gradiente (vanishing gradients). Ela demonstou capacidade superior em aprender características detalhadas das hemácias.

2. Predição de Gravidade Baseada em CBC:

   • Dados: O sistema utiliza parâmetros hematológicos padrão, incluindo Hemoglobina (HGB), Hematócrito (HCT), Volume Corpuscular Médio (MCV), Hemoglobina Corpuscular Média (MCH), MCHC, contagem de hemácias (RBC), contagem de glóbulos brancos (WBC), contagem de plaquetas (PLT) e Amplitude de Distribuição dos Glóbulos Vermelhos (RDW).
   • Modelagem: Uma abordagem de Ensemble de Empilhamento (Stacking Ensemble) foi desenvolvida para prever a gravidade da anemia.
     • Classificadores Base: K-Vizinhos Mais Próximos (KNN), Floresta Aleatória (RF) e XGBoost.
     • Meta-Classificador: Regressão Logística.
   • Processo: Os classificadores base são treinados independentemente, suas previsões são agregadas como novas características e o meta-classificador gera a previsão final de gravidade.

Principais Contribuições

• Arquitetura Híbrida: O artigo apresenta um sistema de via dupla que combina o poder de diagnóstico visual do aprendizado profundo (para morfologia) com o poder preditivo estatístico do aprendizado de máquina de conjunto (para parâmetros clínicos).
• Benchmarking Arquitetural: Uma análise comparativa de cinco CNNs de última geração especificamente para a classificação de esfregaço de hemácias, identificando a DenseNet121 como a mais eficaz para esta tarefa específica de imagem médica.
• Otimização de Ensemble: O desenvolvimento de um classificador de empilhamento para dados de CBC, demonstrando que a combinação de algoritmos diversos (KNN, RF, XGBoost) produz maior precisão do que modelos individuais para dados hematológicos estruturados.

Resultados

• Classificação de Imagem: A DenseNet121 alcançou o desempenho mais alto entre as CNNs testadas, atingindo 94,0% de acurácia no conjunto de teste. O modelo demonstrou precisão, revocação (recall) e pontuação F1 de 0,94, com uma acurácia de validação de 95,0%. O tempo de inferência foi registrado em 0,2585 segundos por imagem em uma CPU, sugerindo adequação para triagem prática.
• Predição de Gravidade: O modelo de ensemble de empilhamento aplicado aos dados de CBC alcançou 98,0% de acurácia na predição da gravidade da anemia. A matriz de confusão indicou alta confiabilidade na distinção entre diferentes níveis de gravidade.
• Generalização: As curvas de treinamento e validação para o modelo DenseNet121 mostraram divergência mínima (perda diminuindo de 0,1325 para 0,0798), indicando fortes capacidades de generalização sem sobreajuste significativo.

Significância e Alegações
Os autores alegam que esta estrutura oferece uma "solução completa e praticamente útil" para o monitoramento e graduação da anemia. Ao integrar fortes capacidades de análise de imagem com aprendizado de máquina para análise de CBC, o sistema visa melhorar a eficiência nos fluxos de trabalho de rotina. O artigo postula que o método proposto é eficaz e implantável para triagem rápida, capaz de auxiliar profissionais de saúde na detecção precoce e na avaliação da gravidade dos sintomas. O estudo conclui que a abordagem híbrida atende com sucesso aos objetivos de diagnóstico automático e eficiente baseado tanto em características visuais quanto clínicas.

Limitações e Direções Futuras
Os autores reconhecem que, embora a estrutura seja promissora, trabalhos futuros exigem validação com amostras clínicas maiores e mais complexas. Eles também sugerem a integração de técnicas de IA explicável (XAI) para aumentar a interpretabilidade clínica e o desenvolvimento de novos parâmetros hematológicos. O objetivo final mencionado é a implantação direta do sistema em ambientes de diagnóstico.