Métodos de aprendizaje automático para detectar el cáncer de esófago

Los métodos de aprendizaje profundo han mostrado recientemente resultados prometedores para analizar patrones histológicos en imágenes de microscopio. Sin embargo, requieren un proceso de anotación manual laborioso y de alto costo por parte de los patólogos llamados 'anotaciones de región de interés'. Un equipo de investigación en el Dartmouth-Hitchcock Norris Cotton Cancer Center, de Líbano, dirigido por Saeed Hassanpour, ha conseguido un nuevo enfoque de aprendizaje automático detecta el cáncer de esófago mejor que los métodos actuales. Los científicos han abordado esta deficiencia de los métodos actuales mediante el desarrollo de un nuevo método de aprendizaje profundo basado en la atención que aprende automáticamente regiones clínicamente importantes en imágenes de diapositivas completas para clasificarlos, según publican en la revista 'JAMA Network Open'. Probaron su nuevo enfoque para identificar tejido de esófago canceroso y precanceroso en imágenes de microscopio de alta resolución sin capacitación en anotaciones de región de interés. 'Nuestro nuevo enfoque superó el método actual de vanguardia que requiere estas anotaciones detalladas para su capacitación', concluye Hassanpour. Para el análisis de imágenes de histopatología, el proceso de anotación manual generalmente describe las regiones de interés en una imagen de diapositiva completa de alta resolución para facilitar la capacitación del modelo de ordenador. 'La anotación de datos es el cuello de botella más laborioso y lento en el desarrollo de métodos modernos de aprendizaje profundo --señala Hassanpour--. Nuestro estudio muestra que los modelos de aprendizaje profundo para el análisis de diapositivas de histopatología pueden entrenarse con etiquetas solo a nivel de tejido, eliminando así la necesidad de anotación de datos de alto costo y creando nuevas oportunidades para expandir la aplicación del aprendizaje profundo en la patología digital'. El equipo propuso la red para la detección de adenocarcinoma de esófago y esófago de Barrett y descubrió que su rendimiento supera el del método de vanguardia existente. 'El resultado es significativo porque nuestro método se basa únicamente en anotaciones a nivel de tejido, a diferencia de los métodos existentes que se basan en regiones anotadas manualmente', apunta Hassanpour, quien espera que este modelo abra nuevas vías para aplicar el aprendizaje profundo a la patología digital. 'Nuestro método facilitaría una gama más amplia de investigación sobre el análisis de imágenes de histopatología que antes no era posible debido a la falta de anotaciones detalladas --prosigue--. El despliegue clínico de tales sistemas podría ayudar a los patólogos a leer diapositivas de histopatología de manera más precisa y eficiente, lo cual es una tarea crítica para el diagnóstico de cáncer, la predicción del pronóstico y el tratamiento de pacientes con cáncer'. Mirando hacia el futuro, el equipo de Hassanpour planea validar aún más su modelo probándolo en datos de otras instituciones y realizando ensayos clínicos prospectivos. También planean aplicar el modelo propuesto a las imágenes histológicas de otros tipos de tumores y lesiones para los cuales los datos de entrenamiento son escasos o las anotaciones del cuadro delimitador no están disponibles.