La patología digital es un campo emergente que se ocupa principalmente de imágenes de microscopía que se derivan de biopsias de pacientes.
Debido a la alta resolución, la mayoría de estas imágenes de diapositivas completas tienen un tamaño grande, por lo general superior a un gigabyte. Por lo tanto, los típicos métodos de análisis de imágenes no pueden manejarlos de manera eficiente.
Por ello, ahora, los investigadores de la Facultad de Medicina de la Universidad de Boston (BUSM) han desarrollado un algoritmo novedoso de inteligencia artificial (IA) basado en un marco llamado ‘aprendizaje de representación’ para clasificar el subtipo de cáncer de pulmón basado en imágenes de tejido pulmonar de tumores resecados.
“Estamos desarrollando nuevos métodos basados en IA que pueden aportar eficiencia a la evaluación de datos de patología digital. La práctica de la patología se encuentra en medio de una revolución digital y se están desarrollando métodos informáticos para ayudar al patólogo. Además, en lugares donde no hay un experto, tales métodos y tecnologías pueden ayudar directamente al diagnóstico”, ha explicado Vijaya B. Kolachalama, profesor asistente de medicina e informática en BUSM.
El nuevo algoritmo puede distinguir entre adenocarcinoma de pulmón, carcinoma de células escamosas de pulmón y tejido no canceroso adyacente
En concreto, los investigadores han desarrollado un transformador de visión basado en gráficos para patología digital llamado Graph Transformer (GTP) que aprovecha una representación gráfica de imágenes de patología y la eficiencia computacional de las arquitecturas de transformadores para realizar análisis en toda la imagen de la diapositiva.
"Traducir los últimos avances en informática a la patología digital no es sencillo y existe la necesidad de desarrollar métodos de IA que puedan abordar exclusivamente los problemas de la patología digital", ha explicado, por su parte, Jennifer Beane, profesora asociada de medicina en BUSM.
Usando imágenes de diapositivas completas y datos clínicos de tres cohortes nacionales disponibles públicamente, han desarrollado un modelo que podía distinguir entre adenocarcinoma de pulmón, carcinoma de células escamosas de pulmón y tejido no canceroso adyacente.
A lo largo de una serie de estudios y análisis de sensibilidad, han demostrado que su marco GTP supera los métodos actuales de última generación utilizados para la clasificación de imágenes de diapositivas.
Además, los investigadores creen que su marco de aprendizaje automático "tiene implicaciones más allá de la patología digital".