¿Qué es la leucemia?
La leucemia, también conocida como el cáncer a la sangre, se caracteriza por la producción de leucocitos anormales. Surge por la transformación maligna de células madre hematopoyéticas pluripotentes [1], lo que conduce a la multiplicación descontrolada y crecimiento inmaduro de las células sanguíneas, corriendo el riesgo de dañar los glóbulos rojos, la médula ósea y el sistema de defensa [2]. Asimismo, la leucemia es el cáncer con mayor prevalencia en niños, siendo la leucemia linfocítica aguda (LLA) la más común, aunque son menos frecuentes los casos de leucemia crónica en esta población [3].
En Perú, se presentan entre 50 a 100 casos de cáncer infantil por millón de habitantes y aparecen alrededor de 1600 casos nuevos al año, de los cuales el 40% corresponden a leucemia [4]. A nivel mundial, la leucemia constituye aproximadamente el 3,4 % de todos los nuevos casos de cáncer y el 3,8 % de todas las muertes por cáncer en 2020 según el Programa de Vigilancia, Epidemiología y Resultados Finales (SEER) [5].
¿Cuál es el problema con el diagnóstico de leucemia?
Muchos casos de cáncer infantil son curables si hay un diagnóstico temprano y se inicia con el tratamiento oportunamente, sin embargo, esto aún representa un desafío para médicos, hematólogos e investigadores del cáncer. Los síntomas más comunes de la leucemia pueden generar confusión, debido a que también son característicos de otras enfermedades. El método de diagnóstico de leucemia de mayor uso en la actualidad es la evaluación microscópica de muestras de sangre; otro método de diagnóstico es el gold standard, que consiste en el análisis de muestras de médula ósea, con la desventaja de ser más invasivo y traumático [6][7].
Inteligencia artificial para el diagnóstico de la leucemia mieloide aguda (LMA)
Dentro de los distintos tipos de esta enfermedad, la detección de la leucemia mieloide aguda (LMA) es un protocolo tradicional que se lleva a cabo con pruebas que examinan la sangre y la médula ósea [8]. Además, es propenso a errores humanos y mecánicos. Sin embargo, el diagnóstico asistido por computadora puede ayudar a reducir los errores y el tiempo asociados con el diagnóstico de LMA. Además, la detección de glóbulos blancos (White Blood Count, WBC) es un paso crítico en el diagnóstico de LMA, y el aprendizaje profundo se considera un enfoque de vanguardia para la detección de WBC. Pero, la precisión de la detección de WBC está fuertemente asociada con la calidad de las características extraídas utilizadas en el entrenamiento de los modelos de clasificación por píxeles. El diagnóstico asistido por computadora depende del estudio de los diferentes patrones de cambios asociados con los recuentos y características de WBC [6].
Investigadores de la Universidad Tecnológica de Malasia desarrollaron un nuevo método híbrido de extracción de características utilizando métodos de procesamiento de imágenes y aprendizaje profundo. Los algoritmos de clasificación aplicados para la evaluación de métodos incluyeron capas totalmente conectadas (FCL), bosque aleatorio (RF), máquina de vectores de soporte (SVM) y XGBoost. El método propuesto logró un excelente rendimiento, generalización y estabilidad utilizando todos los clasificadores, con precisiones de clasificación generales del 97,57 % y 96,41 % utilizando los conjuntos de datos primarios y secundarios, respectivamente. Este método ha abierto una nueva alternativa para mejorar la detección de glóbulos blancos, lo que podría conducir a un mejor diagnóstico de la LMA [9].
Figura 1. Método de extracción de características de WBC propuesto.
El conjunto de datos consta de ocho tipos de células sanguíneas, incluidos neutrófilos segmentados, eosinófilos, basófilos, linfocitos, monocitos, eritroblastos, metamielocitos, mielocitos, promielocitos y plaquetas. Este método de extracción consta de cuatro fases: La extracción de la región de interés (ROI), la anotación de las imágenes de ROI en un primer plano que representa los glóbulos blancos y un fondo representando otros componentes de la sangre. Posteriormente, las características extraídas luego se asignaron a la etiquetas binarias correspondientes después de eliminar los datos sin etiquetar para obtener el conjunto de datos final para el entrenamiento del modelo. Finalmente, el método de extracción de características propuesto se evaluó utilizando varios algoritmos de clasificación en dos conjuntos de datos: primario y secundario [9].
Conclusión
El método propuesto aprovechó los beneficios de las técnicas convencionales de procesamiento de imágenes para extraer ROI y las fortalezas de los métodos de aprendizaje profundo para la extracción de características. En el futuro, el modelo propuesto podría mejorarse aún más mediante métodos de hibridación y paralelización para reducir el tiempo de cálculo y aumentar la precisión del modelo.
Referencias:
[1] Chennamadhavuni A, Lyengar V, Shimanovsky A. Leukemia. [Updated 2021 Nov 21]. In: StatPearls [Internet]. Treasure Island (FL): StatPearls Publishing; 2022 Jan-. Available from: https://www.ncbi.nlm.nih.gov/books/NBK560490/
[2] M. Ghaderzadeh, F. Asadi, A. Hosseini, D. Bashash, H. Abolghasemi and A. Roshanpour, "Machine Learning in Detection and Classification of Leukemia Using Smear Blood Images: A Systematic Review", Scientific Programming, vol. 2021, pp. 1-14, 2021. Available: 10.1155/2021/9933481 [Accessed 21 March 2022].
[3] "Leukemia in Children", Cancer.org, 2022. [Online]. Available: https://www.cancer.org/cancer/leukemia-in-children.html. [Accessed: 21- Mar- 2022].
[4] "Cáncer infantil - No te tengo miedo, soy más fuerte que tú.", Gob.pe, 2022. [Online]. Available:
https://www.gob.pe/institucion/minsa/campa%C3%B1as/337-cancer-infantil-no-te-tengo-miedo-soy-mas-fuerte-que-tu. [Accessed: 21- Mar- 2022].
[5] "Leukemia - Cancer Stat Facts", SEER, 2022. [Online]. Available: https://seer.cancer.gov/statfacts/html/leuks.html. [Accessed: 21- Mar- 2022].
[6] [5]M. Brereton, B. De La Salle, J. Ardern, K. Hyde and J. Burthem, "Do We Know Why We Make Errors in Morphological Diagnosis? An Analysis of Approach and Decision-Making in Haematological Morphology", EBioMedicine, vol. 2, no. 9, pp. 1224-1234, 2015. Available: 10.1016/j.ebiom.2015.07.020 [Accessed 21 March 2022].
[7] M. Barnett, "Leukemia Diagnosis and Screening - The Johns Hopkins Kimmel Cancer Center", Hopkinsmedicine.org, 2022. [Online]. Available: https://www.hopkinsmedicine.org/kimmel_cancer_center/cancers_we_treat/leukemia_program/diagnosis_and_screening.html. [Accessed: 21- Mar- 2022].
[8]“Tratamiento de la leucemia mieloide aguda (PDQ®)–Versión para pacientes,” Instituto Nacional del Cáncer, 17-Mar-2022. [Online]. Available: https://www.cancer.gov/espanol/tipos/leucemia/paciente/tratamiento-lma-adultos-pdq. [Accessed: 28-Mar-2022]
[9]“IEEE Xplore Full-Text PDF”:, Ieee.org, 2022. [Online]. Available: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9706224. [Accessed: 28-Mar-2022]
