Esta tesis presenta un enfoque basado en aprendizaje profundo para la detección de leucemia utilizando la organización de la cromatina en imágenes confocales y de superresolución de ADN. Optimizamos el modelo AINU (AI of the NUcleus) para clasificar células leucémicas, preleucémicas y sanas en muestras tanto murinas como humanas, sin depender de marcadores moleculares específicos de la enfermedad. El AINU alcanzó una alta precisión en la clasificación y demostró una sólida capacidad de generalización a pacientes e imágenes no vistas, lo que indica robustez frente a variaciones técnicas. La compactación de la cromatina, especialmente en la periferia del núcleo, surgió como una característica constante que distingue el estado de la enfermedad. Los análisis de explicabilidad, incluidos Grad-CAM y Deep Feature Factorization, revelaron que los cambios en la densidad y la entropía del ADN son claves en las decisiones del modelo. Es importante destacar que incluir en el modelo condiciones menos severas como el síndrome mielodisplásico (MDS) como clase separada mejoró la clasificación y permitió detectar la progresión de la enfermedad. Estos resultados destacan el potencial de integrar el aprendizaje profundo con la imagen de cromatina para desarrollar herramientas diagnósticas escalables e independientes de marcadores para malignidades hematológicas.
Carlotta Viana (Thu,) estudió esta cuestión.