Análise Comparativa de Técnicas de Aprendizado de Máquina para Reconhecimento de Células Sanguíneas

A inteligência artificial (IA) tem se consolidado como uma ferramenta essencial em diversos setores, incluindo a medicina, onde oferece soluções inovadoras e eficientes. No entanto, abordagens de aprendizado de máquina mais tradicionais ainda dispõem de um vasto potencial a ser explorado. Este trabalho se dedica à classificação automatizada de quatro subtipos de células sanguíneas (Linfócitos, Neutrófilos, Monócitos e Eosinófilos), uma tarefa crucial para diagnósticos médicos que, quando realizada manualmente, pode ser demorada e suscetível a variabilidades. O estudo apresenta uma avaliação comparativa de técnicas de aprendizado de máquina, utilizando uma abordagem multimodal que combina diferentes tipos de recursos extraídos manualmente de imagens por meio de técnicas não supervisionadas. Especificamente, foram empregados os Padrões Binários Locais (LBP), histogramas do espaço de cores Matiz, Saturação e Valor (HSV) e indicadores de análise de textura. Esses conjuntos de características alimentaram os classificadores Random Forest (RF), Máquina de Vetores de Suporte (SVM), K Vizinhos Mais Próximos (KNN) e Perceptron de Múltiplas Camadas (MLP). Após a extração de características e o ajuste de hiperparâmetros por validação cruzada K-Fold, os modelos foram avaliados com base em sua acurácia no conjunto de validação. A partir disso, foram selecionadas as três melhores combinações de características para cada modelo, permitindo uma análise mais objetiva e focada no potencial de generalização dos classificadores. Os resultados demonstraram que os modelos KNN, Random Forest e, especialmente, o MLP alcançaram desempenhos satisfatórios. As combinações de características que integraram LBP e HSV – notadamente LBP+HSV e LBP+HSV+Textura – resultaram nas maiores acurácias de validação, frequentemente ultrapassando 99%. Como destaque, o modelo MLP obteve uma acurácia de validação de 99,0% ao utilizar a combinação de todas as características investigadas. Este estudo também sugere direcionamentos promissores para pesquisas futuras, visando ampliar as aplicações desta tecnologia no campo da saúde.