Computer-assisted strategies for supporting endoscopic diagnosis of digestive system cancer

Abstract

El cáncer en el sistema digestivo representó alrededor del 35% de las muertes por cáncer a nivel mundial en 2020, con el cáncer colorrectal, de estómago y de páncreas ocupando el segundo, sexto y séptimo lugar en las tasas de mortalidad, respectivamente. La endoscopia (EN) sigue siendo la herramienta más útil para el tamizaje y diagnóstico de este cáncer. Los gastroenterólogos se enfrentan al reto de reconocer los patrones de la enfermedad durante los procedimientos de EN observando 12.000 fotogramas en aproximadamente 7 minutos, luego, toman decisiones diagnósticas inmediatas de acuerdo con sus hallazgos visuales durante extensas horas de trabajo. Esta tarea tan exigente ha dado lugar a una elevada tasa de lesiones mal diagnosticadas durante estos procedimientos, por ejemplo, el 11,3% de las lesiones no se detectan en el estómago, entre el 22% y el 28% en el colon y entre el 13% y el 20% en el páncreas. Las estrategias asistidas por computador basadas en inteligencia artificial permiten analizar grandes volúmenes de datos médicos no estructurados, especialmente en una unidad de gastroenterología, donde la información captada durante los procedimientos de EN supera la capacidad humana de análisis. Por lo tanto, estas estrategias pueden servir de apoyo a los procedimientos de EN como segundos lectores o mejorar la interpretación de imágenes o vídeos, sin que les afecte la condición humana de fatiga, y probablemente ayuden a mejorar el diagnóstico del cáncer. Sin embargo, el desarrollo de estrategias asistidas por computador es extremadamente difícil porque los patrones visuales de la enfermedad pueden confundirse fácilmente con los patrones sanos y están contaminados por múltiples fuentes de ruido. Las variaciones espaciales y temporales de estos patrones proceden de la variabilidad de tejido sano o patológico y de las múltiples perspectivas de cámara captadas durante la navegación EN. Esta tesis presenta el desarrollo y la evaluación de representaciones multiescala o jerárquicas que capturan dichas variaciones espaciales y temporales de los patrones patológicos o normales en los procedimientos de EN. En esta tesis se abordan cuatro problemas desafiantes para apoyar el diagnóstico del cáncer en el sistema digestivo: la exploración de representaciones multiescala de la pared del colon para localizar lesiones premalignas en colonoscopia (CO), la detección de lesiones malignas pancreáticas con una caracterización multiescala de eco patrones en EN de ultrasonido, el aprendizaje de la profundidad del colon con una estrategia de aprendizaje de currículo para estimar el tamaño de las lesiones en CO, y una caracterización espacio-temporal de la distensibilidad gástrica durante la EN superior que puede asociarse a condiciones patológicas, como la infección por Helicobacter pylori. Además, se construyeron y publicaron dos colecciones sintéticas, una para procedimientos de CO y otra para procedimientos de EN superior, así como una colección de vídeos de EN por ultrasonido, para entrenar y probar los métodos aquí presentados. Además, estas colecciones pueden servir como herramientas de formación para practicantes de gastroenterología (Texto tomado de la fuente).

Digestive cancer accounted for about 35% of global cancer deaths in 2020, with colorectal, stomach, and pancreatic cancer ranking second, sixth, and seventh in mortality rates, respectively. Endoscopy (EN) remains the most useful tool for screening and diagnosing this cancer. Gastroenterologist are challenged to recognize disease patterns during EN procedures by looking at 12,000 frames in 7 minutes, then, they make immediate diagnostic decisions according to their visual findings during extensive hours of work. This extremely demanding task has produced a high rate of misdiagnosed lesions during EN, e.g. 11.3% of lesions are missed in the stomach, from 22% to 28% in the colon, and from 13% to 20% in the pancreas. Artificial intelligence-powered computer-assisted strategies makes it possible to analyze large-volume and unstructured medical data, especially in a gastroenterology unit, where the information captured during EN procedures largely exceeds the human capacity of analysis. Hence, these strategies may support EN procedures as second readers or enhance image or video interpretation, unaffected by human condition of fatigue, and probably help to improve cancer diagnosis. However, developing computer-assisted strategies is highly difficult because visual disease patterns can be easily confused with healthy patterns and are contaminated by multiple noise sources. The spatial and temporal variations of these patterns come from the healthy or pathological variability and several camera perspectives captured during EN navigation. This thesis presents the development and evaluation of multi-scale representations that capture spatial and temporal variations of disease or normal patterns in EN procedures. Fourth challenging problems for supporting cancer diagnosis in the digestive system are addressed in this dissertation: exploring multi-scale representations of the colonic wall to detect pre-malignant lesions in colonoscopy (CO), detecting pancreatic malignant lesions with a multi-scale characterization of echo patterns in EN ultrasound, learning colon depth with a curriculum learning strategy to estimate the size of lesions in CO, and a spatiotemporal characterization of the gastric distensibility during upper-EN which can be associated with pathological gastric conditions, like Helicobacter pylori infection. In addition, two synthetic collections, one for CO and another for Upper-EN procedures, as well as a collection of EN ultrasound videos, were constructed and released to train and test of the methods herein presented. Moreover, these collections can serve as a training tools for gastroenterology trainees.