Comparación de arquitecturas CNN para la clasificación multiclase de leucemia linfoblástica aguda tipo B

Abstract

La leucemia linfoblástica aguda (LLA) es la principal causa de muerte por enfermedad en población pediátrica y su diagnóstico mediante microscopía convencional resulta laborioso y subjetivo. Esta investigación tuvo como principal objetivo desarrollar un modelo de aprendizaje automático basado en redes neuronales convolucionales (CNN) para la clasificación multiclase de cuatro subtipos de LLA-B (Benigno, Early-B, Pre-B, Pro-B), a partir de imágenes de frotis de sangre periférica. Mediante aprendizaje por transferencia (TL, Transfer Learning) en dos fases, extracción de características con el backbone (columna vertebral) congelado y posteriormente ajuste fino (Fine-Tuning), se entrenaron tres arquitecturas preentrenadas (ResNet50, EfficientNetB0 y MobileNetV2) sobre un dataset de 3.256 imágenes de 224 x 224 píxeles, evaluadas mediante precisión, sensibilidad (recall), exactitud (accuracy), área bajo la curva (AUC), F1-Score macro y/o ponderado y su respectiva matriz de confusión. Los tres modelos superaron el umbral del 90 % que se planteó en la hipótesis donde ResNet50 y EfficientNetB0 alcanzaron un accuracy y recall de 0.9877, con un AUC de 0.9998 y 0.9999 respectivamente, mientras MobileNetV2 obtuvo accuracy y recall 0.9908 y 0.9723. El análisis de interpretabilidad mediante Grad-CAM, evidenció que el modelo se orienta hacia regiones morfológicamente relevantes en la mayoría de los casos, aunque el 33.3 % de las imágenes no coincidió con zonas de mayor densidad celular, siendo un patrón más frecuente en Early-B y Pre-B e independientemente del nivel de confianza del modelo. Se concluye que el Transfer Learning (TL) en dos fases constituye una estrategia técnica con potencial para apoyar el diagnóstico temprano en LLA en entornos con recursos limitados.

Acute lymphoblastic leukemia (ALL) is the leading disease related cause of death in pediatric populations, and its diagnosis through conventional microscopy remains labor intensive and subjective. This research aimed to develop a machine learning model based on convolutional neural networks (CNN) for the multiclass classification of four ALL subtypes (Benign, Early-B, Pre-B, Pro-B) from peripheral blood smear images. Using a two-phase transfer learning approach, feature extraction with a frozen backbone followed by fine-tuning three pretrained architectures (EfficientNetB0, ResNet50, and MobileNetV2) were trained and compared on a dataset of 3.256 images of 224x224 pixels, evaluated through accuracy, precision, recall, F1-Score macro and weighted, AUC, and confusion matrix. All three models exceeded the 90 % threshold proposed in the hypothesis: ResNet50 and EfficientNetB0 achieved an accuracy and recall of 0.9877, with AUC values of 0.9998 and 0.9999 respectively, while MobileNetV2 reached an accuracy and recall of 0.9908 and 0.9723. The interpretability analysis using Grad-CAM showed that the model' focuses on morphologically relevant regions in the majority of cases, although 33.3 % cent of the images did not correspond to areas of higher cell density; this pattern was more common in Early-B and Pre-B subtypes, regardless of the model's confidence level. It is concluded that two-phase transfer learning constitutes a technical strategy with the potential to support the early diagnosis of ALL in resource-limited settings