Solución de aprendizaje automático ayuda a los patólogos a detectar lesiones cervicales precancerosas

El cáncer de cuello uterino se ubica como el cuarto cáncer más prevalente en las mujeres, con 604.000 nuevos casos informados en 2020, según la Organización Mundial de la Salud (OMS). Sin embargo, se destaca como uno de los cánceres más prevenibles y tratables, siempre que se detecte a tiempo y se maneje adecuadamente. Por lo tanto, la detección temprana de lesiones precancerosas es fundamental para la prevención de enfermedades. Ahora, los investigadores han desarrollado un método innovador que utiliza imágenes grandes de alta resolución para detectar lesiones precancerosas importantes.

Un equipo de investigadores de INESC TEC (Oporto, Portugal) e IMP Diagnostics (Oporto, Portugal) ha diseñado una solución de aprendizaje automático para ayudar a los patólogos a detectar la displasia cervical, haciendo que el proceso de diagnóstico de nuevas muestras sea completamente automático. Este es uno de los primeros trabajos publicados en utilizar portaobjetos completos. Los investigadores se propusieron desarrollar modelos de aprendizaje automático para respaldar la clasificación subjetiva de lesiones en el epitelio escamoso, la capa protectora del tejido contra los microorganismos, utilizando imágenes de portaobjetos completas (WSI) que contienen información de todo el tejido.

Imagen: Una solución de aprendizaje automático ayuda a los patólogos a detectar displasia cervical (Fotografía cortesía de Freepik)

El equipo desarrolló una metodología poco supervisada: un método de aprendizaje automático que combina datos anotados y no anotados en la fase de entrenamiento del modelo para clasificar la displasia cervical. Esta técnica resulta particularmente beneficiosa considerando la dificultad de obtener anotaciones de datos patológicos: los grandes tamaños de imagen hacen que el proceso de anotación sea extremadamente laborioso, tedioso y muy subjetivo. Esta metodología permite a los investigadores establecer modelos con alto rendimiento, incluso cuando hay información faltante durante la fase de entrenamiento. El modelo resultante puede clasificar la displasia cervical, o el crecimiento anormal de células en la superficie, como lesiones escamosas intraepiteliales de grado bajo (LSIL) o alto (HSIL). Dada la complejidad y la naturaleza subjetiva del proceso de clasificación, estos modelos de aprendizaje automático pueden brindar una valiosa ayuda a los patólogos. Además, estos sistemas podrían actuar como un mecanismo de alerta temprana para casos sospechosos, alertando a los patólogos sobre casos que ameriten un examen más detallado.

“En la detección de displasia cervical, este fue uno de los primeros trabajos publicados que utiliza los portaobjetos completos, siguiendo un método que incluye la segmentación y posterior clasificación de las áreas de interés, haciendo completamente automático el diagnóstico de nuevas muestras”, explica Sara Oliveira, investigadora del INESC TEC.

Enlaces relacionados:
INESC TEC  
IMP Diagnostics