DESENVOLVIMENTO E AVALIAÇÃO DE UM SISTEMA DE INTELIGÊNCIA ARTIFICIAL PARA CLASSIFICAÇÃO DE LEUCÓCITOS EM ESFREGAÇOS DE SANGUE PERIFÉRICO

@article{pereira2026desenvolvimento,
  title = {{DESENVOLVIMENTO E AVALIAÇÃO DE UM SISTEMA DE INTELIGÊNCIA ARTIFICIAL PARA CLASSIFICAÇÃO DE LEUCÓCITOS EM ESFREGAÇOS DE SANGUE PERIFÉRICO}},
  author = {Sângella Garcia Mendonça PEREIRA and Fernanda AZEVEDO-SILVA},
  journal = {Hematology, Transfusion and Cell Therapy},
  year = {2026},
  month = oct,
  doi = {10.1016/j.htct.2026.106722},
  url = {https://doi.org/10.1016/j.htct.2026.106722},
  note = {CC BY},
}

TY  - JOUR
TI  - DESENVOLVIMENTO E AVALIAÇÃO DE UM SISTEMA DE INTELIGÊNCIA ARTIFICIAL PARA CLASSIFICAÇÃO DE LEUCÓCITOS EM ESFREGAÇOS DE SANGUE PERIFÉRICO
AU  - Sângella Garcia Mendonça PEREIRA
AU  - Fernanda AZEVEDO-SILVA
PY  - 2026
DA  - 2026/10/23
JO  - Hematology, Transfusion and Cell Therapy
DO  - 10.1016/j.htct.2026.106722
UR  - https://doi.org/10.1016/j.htct.2026.106722
AB  - 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.
SN  - 2531-1379
SN  - 2531-1387
ER  -