Construcción de una herramienta de patología digital para la identificación de células ganglionares: apoyo diagnóstico en enfermedad de Hirschsprung

Abstract

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)

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.