Detecção de Micronúcleos em Linfócitos: Um Novo Dataset e Estudo de Caso com YOLOv11
Bibliographic record
Abstract
A detecção de micronúcleos (MN) em linfócitos é essencial na biomedicina para avaliar danos genéticos e instabilidade cromossômica, sendo importante para estudos toxicológicos e diagnóstico de câncer. No entanto, a identificação manual é demorada e sujeita a erros. Neste trabalho, propomos uma abordagem automatizada utilizando a rede neural YOLOv11 para detecção de micronúcleos em células binucleadas. Para isso, construímos uma base de imagens coletadas do Centro Regional de Ciências Nucleares do Nordeste (CRCN), composta por 889 imagens, com anotações de localização de células binucleadas e micronúcleos. Resultados da análise de detecção mostram que o modelo utilizado alcançou precisão de 90,8% e revocação de 92,8%, demonstrando confiabilidade para aplicações clínicas. Além disso, o conjunto de dados desenvolvido contribui para futuras pesquisas na área, fornecendo uma base padronizada para avaliação de modelos de visão computacional aplicados à citogenética. A base de dados desenvolvida está disponível em https://doi.org/10.5281/zenodo.14947933.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".