Construcción de una herramienta de patología digital para la identificación de células ganglionares: apoyo diagnóstico en enfermedad de Hirschsprung
Archivos
Autores
Siabatto Cleves, Andrés Felipe
Director
Olaya Morales, Natalia
Tipo de contenido
Trabajo de grado - Especialidad Médica
Idioma del documento
EspañolFecha de publicación
2023
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
El objetivo del presente estudio fue desarrollar una herramienta de software basada en
patología digital capaz de apoyar el proceso diagnóstico de la enfermedad de Hirschsprung
mediante la identificación automática de células ganglionares en láminas histológicas de
biopsias rectales.
Se seleccionaron biopsias colorrectales de 25 pacientes, realizadas en HOMI-Fundación
Hospital Pediátrico La Misericordia para valoración de inervación, todas correspondientes
a pacientes con inervación preservada. Posteriormente, haciendo uso de una cámara digital
acoplada a un microscopio, se tomaron fotos de las láminas de histología, buscando
representar células ganglionares en diferentes niveles y estados de maduración. Los
núcleos fueron segmentados utilizando una herramienta libre (Stardist®) y a continuación
fueron anotados manualmente (células ganglionares y no ganglionares) por dos patólogos,
uno de ellos experto.
Se obtuvieron un total de 39918 núcleos, de los que se seleccionó 2076 (346 células
ganglionares y 1730 no ganglionares). De estos núcleos seleccionados se extrajo un set de
100 características relacionadas con forma, color y textura. Para evaluar la utilidad de estas
características en la discriminación de los núcleos se utilizó una metodología de validación
cruzada, dividiendo de manera aleatoria los núcleos en un set de entrenamiento y un set
de validación (70 y 30% respectivamente). Utilizando la prueba de Wilcoxon se
seleccionaron las 4 características con mejor desempeño, y fueron estas las características
utilizadas para entrenar un clasificador basado en inteligencia artificial (análisis de
discriminación lineal). La herramienta de clasificación fue aplicada entonces al set de
validación y su desempeño fue evaluado en cada una de las iteraciones realizadas (500),
en términos de exactitud, precisión, sensibilidad y especificidad. El desempeño global fue
valorado utilizando el área bajo la curva ROC (AUC).
El producto fue una potencial herramienta diagnóstica para enfermedad de Hirschsprung
de bajo costo y fácil implementación, con un muy buen desempeño en la discriminación
entre células ganglionares y células no ganglionares (AUC = 0.98), y que podría ser utilizada
por patólogos enfrentados a biopsias rectales tomadas en áreas distantes con
disponibilidad limitada de expertos o pruebas complementarias. (Texto tomado de la fuente)
Abstract
The main objective of the present study was to develop a software tool based on digital
pathology capable of supporting the diagnostic process of Hirschsprung's disease by
automatically identifying ganglion cells in histological slides of rectal biopsies.
Rectal biopsies performed at HOMI-Fundación Hospital Pediátrico La Misericordia for
innervation assessment were selected, all corresponding to patients with preserved
innervation. Subsequently, using a digital camera attached to a microscope, photos of the
histological slides were taken, aiming to represent ganglion cells at different levels. The
nuclei were segmented using a free tool (Stardist®) and then manually annotated (ganglion
and non-ganglion cells) by two pathologists, one of whom was an expert.
A total of 39918 nuclei were obtained from which 2076 were selected (346 ganglion cells
and 1730 non-ganglion cells). From these selected nuclei, a set of 100 features related to
shape, color, and texture was extracted. To evaluate the utility of these features in
discriminating the nuclei, a cross-validation methodology was used, randomly dividing the
nuclei into a training set and a validation set (70% and 30% respectively). Using the
Wilcoxon test, the features with the best performance were selected, and these features
were used to train an artificial intelligence-based classifier (linear discriminant analysis). The
classification tool was then applied to the validation set, and its performance was evaluated
in each of the iterations (500) in terms of accuracy, precision, sensitivity, and specificity. The
overall performance was assessed using the area under the ROC curve (AUC).
The result was a potential low-cost and easily implementable diagnostic tool for
Hirschsprung's disease, with very good performance in discriminating between ganglion
cells and non-ganglion cells (AUC = 0.98), which could be used by pathologists faced with
rectal biopsies taken in distant areas with limited availability of experts or complementary
tests.
Descripción Física/Lógica/Digital
ilustraciones, diagramas, fotografías