Plataforma web inteligente para la identificación automática de tipos de leucemia usando Deep Learning

Abstract

The present research aimed to implement a web platform based on Deep Learning algorithms to diagnose and predictively classify four main types of leukemia (Acute Lymphoblastic Leukemia, Acute Myeloid Leukemia, Chronic Myeloid Leukemia, and Chronic Lymphocytic Leukemia) in the Iquitos population. The methodology employed a pre-experimental design with a quantitative approach and predictive level, evaluating 67 digitized images of blood smears from patients with confirmed diagnosis by a hematology specialist from the Regional Hospital of Loreto. The platform was developed using deep convolutional neural networks implemented in Python with TensorFlow/Keras and React, processing microscopic images through adaptive preprocessing algorithms. Results demonstrated exceptional diagnostic performance with 98.51% accuracy (66/67 correct classifications), Cohen's Kappa coefficient of 0.9528 indicating almost perfect agreement with specialized clinical criteria, weighted average precision of 99.39%, sensitivity of 96.67%, and specificity of 99.39%. The platform exhibited satisfactory functional operability with inference latency of 0.78 seconds per image and system availability of 99.2%, meeting 100% of the evaluated technical criteria. It is concluded that the Deep Learning-based web platform constitutes a viable diagnostic tool for automation of complex hematological processes in hospital contexts with limited resources, achieving functional equivalence with specialized clinical judgment and exceeding international reference thresholds established by regulatory agencies for medical artificial intelligence systems.La presente investigación tuvo como objetivo implementar una plataforma web basada en algoritmos de Deep Learning para diagnosticar y clasificar predictivamente cuatro tipos principales de leucemia (Leucemia Linfoblástica Aguda, Leucemia Mieloide Aguda, Leucemia Mieloide Crónica y Leucemia Linfocítica Crónica) en la población de Iquitos. La metodología empleó un diseño experimental de tipo preexperimental con enfoque cuantitativo y nivel predictivo, evaluando 67 imágenes digitalizadas de frotis sanguíneos de pacientes con diagnóstico confirmado por especialista hematólogo del Hospital Regional de Loreto. La plataforma fue desarrollada utilizando redes neuronales convolucionales profundas implementadas en Python con TensorFlow/Keras y React, procesando imágenes microscópicas mediante algoritmos de preprocesamiento adaptativo. Los resultados demostraron un desempeño diagnóstico excepcional con exactitud del 98.51% (66/67 clasificaciones correctas), coeficiente Kappa de Cohen de 0.9528 indicando concordancia casi perfecta con el criterio clínico especializado, precisión promedio ponderada del 99.39%, sensibilidad del 96.67% y especificidad del 99.39%. La plataforma exhibió operatividad funcional satisfactoria con latencia de inferencia de 0.78 segundos por imagen y disponibilidad del sistema del 99.2%, cumpliendo el 100% de los criterios técnicos evaluados. Se concluye que la plataforma web basada en Deep Learning constituye una herramienta diagnóstica viable para automatización de procesos hematológicos complejos en contextos hospitalarios con recursos limitados, alcanzando equivalencia funcional con el juicio clínico especializado y superando umbrales de referencia internacionales establecidos por organismos reguladores para sistemas de inteligencia artificial médica.