{
  "abstract": "Introdução: A análise microscópica do esfregaço de sangue periférico é fundamental na hematologia, mas está sujeita à variabilidade interobservador e à escassez de especialistas. Sistemas de Inteligência Artificial (IA), especialmente baseados em Redes Neurais Convolucionais (CNNs), têm se destacado como ferramentas promissoras de apoio à decisão clínica, automatizando a identificação celular e contribuindo para a otimização do fluxo de trabalho laboratorial. Objetivos: Desenvolver e avaliar um modelo de IA baseado em aprendizado profundo (Deep Learning) para a classificação automatizada de leucócitos em imagens de sangue periférico, avaliando seu desempenho diagnóstico. Material e Métodos: Utilizou-se o conjunto de dados público Blood Cell Images (Kaggle), contendo aproximadamente 12.500 imagens aumentadas de leucócitos. O pipeline foi desenvolvido em Python, no ambiente Google Colab. As etapas compreenderam: (1) Pré-processamento com recorte automático das imagens (224×224 pixels) e conversão para o espaço de cores HSV; (2) Segmentação celular guiada pelo núcleo por limiares cromáticos; e (3) Classificação hierárquica baseada na arquitetura MobileNetV2, pré-treinada no ImageNet por meio de transfer learning. O treinamento foi realizado em duas fases ( warm-up e fine-tuning parcial), utilizando o otimizador Adam, técnicas de regularização e divisão dos dados em 70% para treinamento/validação e 30% para teste. Resultados: No conjunto de teste independente (2.487 imagens), o pipeline hierárquico alcançou acurácia global de 87%. O melhor desempenho foi observado na identificação de linfócitos (F1-score=0,95), seguido por monócitos (0,88) e eosinófilos (0,84). O menor desempenho ocorreu para neutrófilos (F1-score=0,79), principalmente devido à confusão com eosinófilos (108 imagens) e monócitos (40 imagens). Discussão: Embora a acurácia de 87% seja compatível com modelos iniciais de classificação automatizada, estudos prévios utilizando o mesmo conjunto de dados relatam desempenhos variando de 82% a 95% em arquiteturas únicas e superiores a 99% em modelos baseados na combinação de múltiplas CNNs ou Capsule Networks. As diferenças metodológicas entre esses estudos, entretanto, limitam comparações diretas. A maior taxa de erro observada entre neutrófilos e eosinófilos provavelmente decorre da semelhança entre suas características morfológicas e tintoriais. Como perspectiva de aprimoramento, estão em avaliação arquiteturas com maior capacidade de extração de texturas finas, como EfficientNet-B0 e EfficientNet-B1, além do ajuste do limiar de decisão no classificador especializado em granulócitos. Conclusão: O pipeline desenvolvido demonstrou viabilidade técnica e desempenho consistente para a classificação automatizada de leucócitos em esfregaços de sangue periférico. Os resultados indicam potencial para aplicação futura como ferramenta de apoio à decisão em hematologia, especialmente em cenários com escassez de especialistas, desde que validado em bases de dados independentes e em ambiente clínico real.",
  "abstract_shown": true,
  "affiliations": [
    "Universidade Federal Fluminense (UFF), Niterói, RJ, Brasil",
    "Universidade Federal Fluminense e Hemorio, Niterói, RJ, Brasil"
  ],
  "article_type": null,
  "arxiv": null,
  "author_total": 2,
  "authors": [
    {
      "affs": [
        0
      ],
      "name": "Sângella Garcia Mendonça PEREIRA"
    },
    {
      "affs": [
        1
      ],
      "name": "Fernanda AZEVEDO-SILVA"
    }
  ],
  "bibtex": "https://research.draconitic.com/paper/6fnc627dj0hyv.bib",
  "cited_by": 0,
  "doi": "10.1016/j.htct.2026.106722",
  "fulltext_url": "http://www.sciencedirect.com/science/article/pii/S2531137926004694",
  "id": "6fnc627dj0hyv",
  "issns": [
    "2531-1379",
    "2531-1387"
  ],
  "landing_url": "https://doi.org/10.1016/j.htct.2026.106722",
  "language": "en",
  "licence": "CC-BY",
  "licence_label": "CC BY",
  "licence_source": "journal",
  "licence_url": "https://creativecommons.org/licenses/by/4.0/",
  "metadata_licence": null,
  "native_subjects": [
    [
      "lcc",
      "RC633-647.5"
    ],
    [
      "openalex",
      "1707|Digital Imaging for Blood Diseases"
    ]
  ],
  "openalex": "W7223118892",
  "pdf_url": "https://www.sciencedirect.com/science/article/pii/S2531137926004694/pdf",
  "pmcid": null,
  "pmid": null,
  "published": "2026-10-23",
  "publisher": "Elsevier",
  "ris": "https://research.draconitic.com/paper/6fnc627dj0hyv.ris",
  "sources": [
    {
      "first_seen": "2026-10-30T13:43:32Z",
      "native_id": "6068eaf696984ae7af47a9e610138ed3",
      "source": "doaj",
      "url": "https://doi.org/10.1016/j.htct.2026.106722"
    }
  ],
  "subjects": [
    {
      "field": "medicine",
      "origin": "lcc:RC633-647.5",
      "subfield": "endocrinology-metabolism"
    }
  ],
  "title": "DESENVOLVIMENTO E AVALIAÇÃO DE UM SISTEMA DE INTELIGÊNCIA ARTIFICIAL PARA CLASSIFICAÇÃO DE LEUCÓCITOS EM ESFREGAÇOS DE SANGUE PERIFÉRICO",
  "title_text": "DESENVOLVIMENTO E AVALIAÇÃO DE UM SISTEMA DE INTELIGÊNCIA ARTIFICIAL PARA CLASSIFICAÇÃO DE LEUCÓCITOS EM ESFREGAÇOS DE SANGUE PERIFÉRICO",
  "type": "peer-reviewed",
  "updated_at": "2026-10-30T13:43:32Z",
  "url": "https://research.draconitic.com/paper/6fnc627dj0hyv",
  "venue": "Hematology, Transfusion and Cell Therapy",
  "versions": []
}