Designing histopathology representations: Automatic extraction of relevant information to support cancer decision-making

Abstract

Cancer is among the leading causes of death worldwide and represents a multidimensional challenge where disease evolution depends not only on the affected organ and environmental conditions but most importantly on treatment selection. This complexity has driven cancer management to transition from one-size-fits-all treatments to precision medicine, requiring biomarker-based approaches guided by specific molecular and morphological alterations that characterize individual tumor biology. Histopathology provides the gold standard for cancer diagnosis through direct examination of tissue architecture and cellular patterns. However, not all diagnostic information is easily quantifiable, particularly, histopathological images contain complex pattern correlations and architectural relationships that exceed human analytical capacity, but are useful for precision medicine and are definitely not captured within most clinical scenarios. This dissertation addresses the representation challenge in computational pathology by developing morphological biomarkers that take advantage of domain-knowledge to extract clinically relevant information while maintaining diagnostic utility for cancer decision-making. This approach was validated by progressing from complete tissue variance analysis to specific cellular arrangement patterns to glandular architectural features. The methodology demonstrates how morphological biomarker design can be adapted to capture relevant biological information at different levels of tissue organization. This systematic approach establishes a transferable framework that could be applied to other cancers sharing similar tissue characteristics, morphological patterns, or architectural features, providing a foundation for broader clinical applications in precision medicine.

El cáncer se encuentra entre las principales causas de muerte a nivel mundial y representa un desafío multidimensional donde la evolución de la enfermedad depende no solo del órgano afectado y las condiciones ambientales, sino principalmente de la selección del tratamiento. Esta complejidad ha llevado al manejo del cáncer a transicionar de tratamientos únicos para todos los pacientes hacia la medicina de precisión, requiriendo enfoques basados en biomarcadores guiados por alteraciones moleculares y morfológicas específicas que caracterizan la biología tumoral individual. La histopatología proporciona el estándar de oro para el diagnóstico de cáncer a través del examen directo de la arquitectura tisular y los patrones celulares. Sin embargo, no toda la información diagnóstica es fácilmente cuantificable; particularmente, las imágenes histopatológicas contienen correlaciones de patrones complejos y relaciones arquitecturales que exceden la capacidad analítica humana, pero son útiles para la medicina de precisión y definitivamente no son capturadas en la mayoría de escenarios clínicos. Esta disertación aborda el desafío de representación en la patología computacional mediante el desarrollo de biomarcadores morfológicos que aprovechan el conocimiento del dominio para extraer información clínicamente relevante mientras mantienen la utilidad diagnóstica para la toma de decisiones en cáncer. Este enfoque fue validado progresando desde el análisis de varianza de tejido completo hasta patrones específicos de arreglos celulares y características arquitecturales glandulares. La metodología demuestra cómo el diseño de biomarcadores morfológicos puede adaptarse para capturar información biológica relevante en diferentes niveles de organización tisular. Este enfoque sistemático establece un marco transferible que podría aplicarse a otros cánceres que compartan características tisulares, patrones morfológicos o características arquitecturales similares, proporcionando una base para aplicaciones clínicas más amplias en medicina de precisión. (Texto tomado de la fuente).