Cuantificación de la progresión de glándulas de control a lesiones precancerosas en el estómago a partir del análisis histopatológico de imágenes

Abstract

In Colombia, gastric cancer poses a significant challenge to the healthcare system, particularly in regions like Nariño, where the incidence reaches 150 cases per 100,000 inhabitants. This high rate is associated with a 90% prevalence of Helicobacter pylori infection, a key risk factor in the development of precancerous lesions such as intestinal metaplasia. Early detection of these lesions is crucial but faces obstacles due to a shortage of pathologists and the subjectivity involved in evaluating biopsies using systems like OLGA and OLGIM. To address this issue, the use of artificial intelligence tools, specifically convolutional neural networks, has been explored to analyze histopathological images. In a recent study, various neural network architectures were evaluated for classifying intestinal metaplasia in gastric biopsy images. The VGG16 architecture stood out with an accuracy of 76% and an AUC of 0.922, outperforming models like InceptionV3 and ResNet50. Additionally, it showed high concordance with expert annotations, evidenced by a Dice Score of 0.93 and a Jaccard Index of 0.87. These results suggest that implementing deep learning models like VGG16 can enhance the detection and quantification of gastric precancerous lesions, optimizing early diagnosis and potentially reducing the burden of gastric cancer in high-incidence regions such as Nariño.

En Colombia, el cáncer gástrico representa un desafío significativo para el sistema de salud, especialmente en regiones como Nariño, donde la incidencia alcanza 150 casos por cada 100,000 habitantes . Esta alta tasa se asocia con una prevalencia del 90% de infección por Helicobacter pylori, un factor de riesgo clave en el desarrollo de lesiones precancerosas como la metaplasia intestinal. La detección temprana de estas lesiones es crucial, pero enfrenta obstáculos debido a la escasez de patólogos y la subjetividad en la evaluación de biopsias mediante sistemas como OLGA y OLGIM. Para abordar esta problemática, se ha explorado el uso de herramientas de inteligencia artificial, específicamente redes neuronales convolucionales, para analizar imágenes histopatológicas. En un estudio reciente, se evaluaron diferentes arquitecturas de redes neuronales para clasificar metaplasia intestinal en imágenes de biopsias gástricas. La arquitectura VGG16 destacó con una precisión del 76% y un AUC de 0.922, superando a modelos como InceptionV3 y ResNet50. Además, mostró una alta concordancia con las anotaciones de expertos, evidenciada por un Dice Score de 0.93 y un Índice de Jaccard de 0.87. Estos resultados sugieren que la implementación de modelos de aprendizaje profundo, como VGG16, puede mejorar la detección y cuantificación de lesiones precancerosas gástricas, optimizando el diagnóstico temprano y potencialmente reduciendo la carga del cáncer gástrico en regiones de alta incidencia como Nariño. (Texto tomado de la fuente).