El problema del diagnóstico computacional de la malaria

El diagnóstico de la malaria por microscopía tanto para el diagnóstico clínico como para el desarrollo de medicamentos requiere el examen visual de una gran cantidad de frotis de sangre. Este proceso requiere cierta experiencia y habilidad por parte de los especialistas que deben ser capaces de reconocer las células infestadas utilizando la información visual. El análisis por microscopía puede ser una labor tediosa y propensa a errores inter- e intra- observadores, incrementados estos por la baja probabilidad de aparición del parásito en las pruebas de lámina fina sobre todo en las etapas iniciales de la enfermedad, o en las avanzadas de un experimento para probar un medicamento que elimine el parásito. Esta problemática ha originado la búsqueda de una alternativa de diagnóstico automatizado que constituya una herramienta para el análisis de grandes cantidades de imágenes de frotis de

sangre; la cual puede tener una aplicación directa en investigaciones sobre medicamentos antimaláricos.

El desarrollo de un sistema computacional para el diagnóstico automatizado de la malaria ha sido objeto de varios trabajos reportados en la literatura en los que se establecen varias etapas: adquisición de las imágenes, pre-procesamiento, segmentación, extracción de rasgos y clasificación [27], [31], [37]. En estos trabajos se utiliza una gran variedad de rasgos.

Preedanan et al. [67], Chavan y Nagmode [68] y Ajala et al. [69] extraen de las imágenes

llevadas a escala de grises los rasgos: media, área, desviación estándar, correlación,

curtosis, entropía y energía. En cambio Pinkaew et al. [53] calcula estos rasgos para la

componente verde del espacio de color RGB y para cada componente del espacio de color HSV aprovechando de esta manera la información del color, de utilidad en las imágenes

digitales de eritrocitos infestados con Plasmodium.

En la literatura además se pueden encontrar trabajos que emplean rasgos de textura, rasgos morfológicos y rasgos geométricos [22], [24], [26], [70], [71]. Entre los artículos más citados

se encuentra el publicado por Tek et al. [43]dondese extraen rasgos basados enhistograma

de color, área granulométrica local y mediciones de forma.

En cuanto a la clasificación existen trabajos que proponen métodos que diferencian entre

parásitos de Plasmodium y componentes de células y métodos que proponen la clasificación

para diferenciar las especies de parásitos [43], [71], [69]. Además, se reporta el uso de varios clasificadores entre los que se encuentran: SVM, KNN, redes neuronales y LDA, entre otros. En el Anexo 4 se muestra el desempeño alcanzado por varios autores sobre clasificación de

imágenes de eritrocitos infestados con Plasmodium. Como se puede observar, en la literatura

se reportan en varios trabajos la utilización de los clasificadores SVM y KNN tanto para detectar eritrocitos infestados como para determinar la etapa de infección y la especie de Plasmodium. Malihi et al. [24] utilizaron también ambos clasificadores obteniendo los mejores

resultados con el KNN. Preedanan et al. [67]emplearon el SVM con kernel RBF y con kernel

lineal, siendo el primer caso el que tiende a producir mayor exactitud en la detección de

células infestadas con Plasmodium. Tek et al. [12] aplicó a su vez el clasificador KNN

comparando los resultados con los clasificadores LDA y la red neuronal con retropropagación (back propagation neural network, BPNN), en cuyo experimento el clasificador KNN presentó mayor exactitud.

En el proceso del diagnóstico computacional de la malaria se implementaron interfaces en busca de una mayor automatización de los procesos. Los programas desarrollados por Tek et al. [43] en Matlab, son un aporte a la automatización, aunque en este caso solo fueron concebidos para marcar los componentes de la imagen con el objetivo de crear un “estándar dorado” para la segmentación, la detección de objetos teñidos y la clasificación.

En Chavan y Nagmode [68] crearon una interfaz en Matlab capaz de detectar si las imágenes

presentan células infestadas con Plasmodium. La interfaz tiene como deficiencia que solo

May et al. [72]y Sio et al. [71] desarrollaron interfaces de usuario en Matlab para la detección de malaria brindando el estado de infección y la cantidad de parásitos detectados. El software

que proponen en [71] puede ser ejecutado desde la ventana de comandos de Matlab, pero

tiene como desventajas que requiere trabajar con imágenes preprocesadas y se deben introducir parámetros para ejecutar la segmentación de cada imagen.

Springl [52] desarrolló una interfaz con la cual se pueden manipular una o más imágenes, segmentar, clasificar las células en sanas o enfermas y corregir los posibles errores de clasificación de manera manual. La base de datos con la que trabajan tiene como inconveniente que las imágenes que la componen son de baja resolución, aspecto que puede influir en los procesos de segmentación y clasificación de las células.

Si bien existe en la literatura un gran número de artículos que tratan el tema de la malaria, son pocos los autores que llegan a implementar un sistema computacional que permita la interacción práctica de los técnicos y especialistas del área en función de las investigaciones sobre el tema. Esto conlleva a que todavía esta sea una temática abierta a la investigación, sobre todo si se tiene en cuenta que es posible mejorar los valores obtenidos de las medidas estadísticas de desempeño, y además ajustar este a las necesidades del análisis orientado al desarrollo de medicamentos, en el que se requiere una alta predictividad positiva para poder detectar bajos niveles de infestación.