Clasificación de células sanguíneas anormales mediante modelos de machine learning y sus aplicaciones al diagnóstico

Línea de investigación

El desarrollo de metodologías computacionales proporciona al especialista del laboratorio clínico herramientas de soporte en la detección y diagnóstico de diagnóstico de leucemias, linfomas, síndromes mielodisplásicos y otras enfermedades que cursan con alteraciones cuantitativas y morfológicas de las células sanguíneas.

Anna Merino (Clínic)

Consultora Senior Laboratorio Core-Servicio de Bioquímica y Genética Molecular

José Rodellar (UPC)

Profesor Matemáticas UPC

Presentación

Problema

Determinadas enfermedades hematológicas, como son las leucemias y linfomas, son enfermedades graves que pueden aparecer en todas las edades y cuya prevalencia aumenta con la edad. En este sentido, en el año 2018 más de 300.000 muertes se han asociado a la leucemia aguda. La leucemia aguda mieloide es un cáncer agresivo con 3,7 nuevos casos por 100.000 habitantes por año y con una supervivencia a los 5 años de solo el 19% en Europa. Para el diagnóstico inicial de dichas enfermedades es crucial el análisis morfológico de las células sanguíneas circulantes en sangre periférica, aunque dicho estudio presenta cierto grado de subjetividad y requiere elevada experiencia y habilidad.

investigacion

 

Aproximación

El grupo de investigación multidisciplinar aborda el problema de la clasificación automática de células sanguíneas anormales en enfermedades hematológicas graves y no hematológicas (malaria, COVID-19) mediante herramientas computacionales basadas en machine learning. El impacto más reciente respecto a la utilización de técnicas de deep learning en diferentes áreas de la medicina ha motivado que nuestro objetivo se centre en el diseño de modelos de clasificación automática de imágenes y análisis de datos basados en estas tecnologías.

células_sanguíneas

 

Impacto

Modelos automáticos para el reconocimiento de imágenes de células sanguíneas anormales pueden ser de gran utilidad como soporte diagnóstico al especialista del laboratorio, ya que permiten la detección objetiva de anomalías morfológicas características de enfermedades graves. El diagnóstico precoz de dichas enfermedades contribuye a un precoz tratamiento y mejora su pronóstico.

Miembros del equipo

Anna Merino
Angel Molina
José Rodellar
Kevin Barrera
Santiago Alférez

Publicaciones

K. Barrera, J. Rodellar, S. Alférez, A. Merino. A deep learning approach for automatic recognition of abnormalities in the cytoplasm of neutrophils. Computers in Biology and Medicine, 2024, 108691.

A Merino, J Laguna, M Rodríguez-García, A Casanova, J Julian, A Molina. Performance of the Mindray MC-80 automated digital cell morphology analyser in detection of normal and abnormal blood cells: Comparison with the CellaVision DM9600. Int J Lab Hem 2023. doi: 10.1111/ijlh.14178.

K. Barrera, J. Rodellar, S. Alférez, A, Merino. Automatic normalized digital color staining in the recognition of abnormal blood cells using generative adversarial networks. Computer Methods and Programs in Biomedicine, 2023, 240, 107629.

K. Barrera, A. Merino, A. Molina, J. Rodellar, J (2023). Automatic generation of artificial images of leukocytes and leukemic cells using generative adversarial networks (syntheticcellgan). Computer Methods and Programs in Biomedicine, 2023, 229, 107314.

J Laguna, M Rodríguez-García, A Molina, A Merino. Kimura disease as an uncommon cause of persistent hypereosinophilia: a diagnostic challenge”. Biochem Med 2023. doi: 10.11613/BM.2023.020801.

J. Rodellar, K Barrera, S. Alférez, L. Boldú, J. Laguna, A. Molina, A. Merino. A deep learning approach for the morphological recognition of reactive lymphocytes in patients with COVID-19 infection. Bioengineering, 2022, 9(5), 229.

A Merino and J Rodellar. Quantitative features to assist in the diagnostic assessment of chronic lymphocytic leukemia progression. J Pathol 2022; 256:4-14. doi: 10.1002/path.5858.

L Boldú, J Laguna, A Casanova, Saray García, Angel Molina and A. Merino. Serum body fluid evaluation using the new automated hematology analyser Mindray BC-6800Plus. Clin Chem Lab Med 2022; doi: 10.1515/cclm-2022-0447.

Moreno-Castaño AB, Diaz-Ricart M, Escolar G, García E, Mañú-Pereira MDM, Idrizovic A, Matute M, Molina A, Faneca J, Merino A. Southeast Asian ovalocytosis detected in a critical patient with COVID-19 pneumonia. Int J Lab Hematol. 2022 May 17. doi: 10.1111/ijlh.13878.

L. Boldú, A. Merino, A. Acevedo, A. Molina, J. Rodellar. A deep learning model (ALNet) for the diagnosis of acute leukemia lineage using peripheral blood cell images. Computer Methods and Programs in Biomedicine, 2021, 202, 105999.

A Acevedo, A Merino, L Boldú, A Molina, S Alférez, J Rodellar. A new convolutional neural network predictive model for the automatic recognition of hypogranulated neutrophils in myelodysplastic syndromes. Computers in Biology and Medicine. doi: 10.1016/j.compbiomed.2021.104479.

A Molina, J Rodellar, L Boldú, A Acevedo, S Alférez, A Merino. Automatic identification of malaria and other red blood cell inclusions using convolutional neural networks. Computers in Biology and Medicine. doi: 10.1016/j.compbiomed.2021.104680.

A Acevedo, A Merino, S Alferez, A Molina, L Boldú, J Rodellar. A dataset of microscopic peripheral blood cell images for development of automatic recognition systems. Data in Brief 30 (2020) 105474.

N Raskilova, M Cuatrecasas, A Molina, M Rodrigo, L Moreira, J Laguna, M Rodríguez, FM Pérez, JC Laguna and A Merino. Signet ring cell carcinocythaemia in an advanced gastric carcinoma. Int J Lab Hem 2020; doi: 10.1111/ijlh.13259.

M. Delgado-Ortet, A. Molina, S. Alférez, J. Rodellar, A. Merino. A deep learning approach for segmentation of red blood cell images and malaria detection, Entropy, 2020, 22 (6), 657.

A Merino, A Vlagea, A Molina et al. Atypical lymphoid cells circulating in blood in COVID-19 infection: morphology, immunophenotype and prognosis value. J Clin Pathol 2020. doi: 10.1136/jclinpath-2020-207087.

A Merino, A Molina, M Rodríguez-García et al. Detection and significance of green inclusions in peripheral blood neutrophils and monocytes. Int J Lab Haem 2020. doi: 10.1111/ijlh.13421.

A. Acevedo, S. Alférez, A. Merino, L. Puigví, J. Rodellar. Recognition of peripheral blood cell images using convolutional neural networks. Computer Methods and Programs in Biomedicine, 2019. doi: 10.1016/j.cmpb.2019.105020.

L. Boldú, A. Merino, S. Alférez, A. Molina, A. Acevedo, J. Rodellar. Automatic recognition of different types of acute leukemia in PB by image analysis. Journal of Clinical Pathology, 2019, doi: 10.1136/jclinpath-2019-205949.

S. Alférez, A. Merino, L. Puigví, J. Rodellar. Color clustering segmentation framework for image analysis of malignant lymphoid cells in peripheral blood. Medical and Biological Engineering and Computing, 2019, doi: 10.1007/s11517-019-01954-7.

Oliver-Caldes A, González-Farré B, Merino A, Rozman M. Carcinocytaemia in an advanced stage of invasive ductal carcinoma of the breast. Br J Haematol. 2019; 185(1): 8..

Vicente-Steijn R, Tomé A, Maduell F, Xipell M, Castro P, A Molina, A Merino. Green inclusions in neutrophils: A critical finding that must be reported. Int J Hem 2019, doi: 10.1111/ijlh.13138.

Puigví L, Merino A, Alférez S, Boldú L, Acevedo A, Rodellar J. Quantitative cytologic descriptors to differentiate CLL, Sézary, granular, and villous lymphocytes through image analysis. J Clin Pathol. 2019; doi: 10.1093/AJCP/AQZ025.

Molina A, Alcaraz J, Guiñón L, Pérez A, Segurana A, Reverter JC, Bedini JL, Merino A. Study of the analytical performance at different concentrations of hematological parameters using Spanish EQAS data. Clin Chem Lab Med, 2019. doi: 10.1515/cclm-2019-0108.

A. Merino, L. Puigví, L. Boldú, S. Alférez, J. Rodellar. Optimizing morphology through blood cell image analysis. International Journal of Laboratory Hematology, 2018. doi: 10.1111/ijlh.12832.

J. Rodellar, S. Alférez, A. Acevedo, A. Molina, A. Merino. Image processing and machine learning in the morphological analysis of blood cells. International Journal of Laboratory Hematology, 2018. doi: 10.1111/ijlh.12818.

A Merino, L Boldú, A Ermens. Acute myeloid leukemia: how to combine multiple tools. Int J Lab Hematol 2018;40 (Suppl.1):54-61.

J Wong- Arteta, A Merino, S Torrente, JM Banales, L Bujanda. High fluorescence cell counts in ascitic body fluids for carcinomatosis screening. Clin Chem Lab Med. 2018 Oct 25;56(11):272-274. doi: 10.1515/cclm-2018-0359.

Patentes 

Título: Método implementado por ordenador para reconocimiento y clasificación de células sanguíneas anormales y programas informáticos para llevar a cabo el método
Inventores:  S. Alférez, A. Merino, J. Rodellar, L. Mujica, M. Ruiz
Número de registro: P201331348

 

Proyecto en curso:

Computational System for the Diagnosis of Acute Leukemia and Lymphoma from Peripheral Blood Images: Proof of Concept and Roadmap for Technological Valorization. Ministerio de Ciencia, Innovación y Universidades. Project 2023-2024.

 

Otras líneas estratégicas de investigación