Aycromo: Uma Plataforma de Código Aberto para Detecção Automática de Cromossomos em Imagens de Metáfase Baseada em Deep Learning

• Jorge L. A. Lima UFRPE
• Filipe R. Cordeiro UFRPE

DOI: https://doi.org/10.5753/sbcas.2026.21388

Resumo

A análise cromossômica é uma etapa fundamental no diagnóstico de doenças genéticas, mas o processo manual de cariotipagem é demorado e altamente dependente de especialistas, podendo consumir vários dias por paciente. Embora modelos de Deep Learning tenham alcançado elevado desempenho na detecção de cromossomos, a maioria das soluções propostas permanece restrita a protótipos de pesquisa ou não disponibiliza interfaces gráficas adequadas ao uso clínico. Neste trabalho, apresentamos o Aycromo, uma plataforma desktop de código aberto para análise citogenética assistida por inteligência artificial. Construída sobre Electron e ONNX Runtime, a ferramenta permite que citogeneticistas carreguem modelos pré-treinados, comparem arquiteturas por meio de um módulo integrado de benchmarking e corrijam detecções manualmente por uma interface interativa de anotação, sem necessidade de interação com linha de comando. Experimentos preliminares em imagens de metáfase do conjunto de dados do CRCN-NE demonstram que o YOLOv11 atinge 99,40% de mAP@50, enquanto a plataforma reduz o tempo de análise por lâmina para segundos. O código está disponível em https://github.com/jorgelucasalima/aycromo-electron-front.

Referências

Al-Kharraz, M. S., Elrefaei, L. A., and Fadel, M. (2020). Automated system for chromosome karyotyping to recognize the most common numerical abnormalities using deep learning. IEEE Access, 8:157726–157743.

Cordeiro, H., Silva, L., Hwang, S., Lima, F., and Cordeiro, F. (2025). Detecção de cromossomos em metáfases: Um novo dataset e estudo de caso com yolov11. In Anais Estendidos do XXV Simpósio Brasileiro de Computação Aplicada à Saúde, pages 97–102, Porto Alegre, RS, Brasil. SBC.

Da Matta, M., Dümpelmann, M., Lemos-Pinto, M., Fernandes, T., and Amaral, A. (2013). Processamento de imagens em biodosimetria: influência da qualidade das preparações cromossômicas. Sci. Lena, 9.

Jocher, G., Qiu, J., and Chaurasia, A. (2024). Ultralytics yolo11.

Kuo, C.-E., Li, J.-Z., Tseng, J.-J., Lo, F.-C., Chen, M.-J., and Lu, C.-H. (2025). Chromosomenet: Deep learning-based automated chromosome detection in metaphase cell images. IEEE Open Journal of Engineering in Medicine and Biology, 6:227–236.

Lin, T.-Y., Goyal, P., Girshick, R., He, K., and Dollár, P. (2017). Focal loss for dense object detection. In Proceedings of the IEEE International Conference on Computer Vision (ICCV), pages 2980–2988.

Microsoft (2024). Onnx runtime: High-performance machine learning inference engine. [link]. Accessed: 2026-03-06.

Nussbaum, R. L., McInnes, R. R., and Willard, H. F. (2015). Thompson & Thompson Genetics in Medicine. Elsevier Health Sciences, Philadelphia, PA, 8th edition.

Qin, Y. et al. (2019). Varifocal-net: A chromosome classification approach using deep convolutional networks. IEEE Transactions on Medical Imaging, 38(11):2569–2581.

Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 779–788.

Ren, S., He, K., Girshick, R., and Sun, J. (2015). Faster R-CNN: Towards real-time object detection with region proposal networks. In Advances in Neural Information Processing Systems (NeurIPS), pages 91–99.

Swati, G. G. et al. (2017). Siamese networks for chromosome classification. In Proceedings of the IEEE International Conference on Computer Vision Workshops, pages 72–81. IEEE.

Xiao, L. et al. (2020). Deepacev2: Automated chromosome enumeration in metaphase cell images using deep convolutional neural networks. IEEE Transactions on Medical Imaging, 39(12):3920–3932.