Un modelo de base de patología para el diagnóstico y la predicción de cáncer

Área de la Ciencia:

• Patología digital
• Aprendizaje automático en oncología
• Patología computacional

Sus antecedentes:

• La evaluación de imágenes histopatológicas es crucial para el diagnóstico y la clasificación del cáncer.
• Los modelos actuales de IA para la histopatología a menudo carecen de generalización en diferentes fuentes de datos y poblaciones.
• Esta limitación dificulta la adopción generalizada y el rendimiento consistente en entornos clínicos.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje automático de uso general y poco supervisado para la evaluación sistemática del cáncer mediante imágenes histopatológicas.
• Crear un modelo de base que pueda extraer diversas características de imágenes de patología para una amplia aplicabilidad.
• Para abordar el desafío del cambio de dominio en los datos de histopatología.

Principales métodos:

• El modelo Clinical Histopathology Imaging Evaluation Foundation (CHIEF) fue desarrollado utilizando un marco de aprendizaje automático con poca supervisión.
• CHIEF emplea dos estrategias de entrenamiento previo complementarias: entrenamiento previo sin supervisión para características a nivel de mosaico y entrenamiento previo con poca supervisión para patrones de diapositivas completas.
• El modelo fue entrenado en un gran conjunto de datos de 60.530 imágenes de diapositivas completas de 19 sitios anatómicos y validado en 19.491 imágenes de diversas cohortes internacionales.

Principales resultados:

• CHIEF extrajo con éxito representaciones microscópicas para la detección de células cancerosas, la identificación del origen del tumor, el perfil molecular y la predicción del pronóstico.
• La validación demostró el rendimiento superior de CHIEF, superando los métodos de aprendizaje profundo de última generación hasta en un 36,1%.
• El modelo abordó efectivamente los cambios de dominio relacionados con diversas poblaciones y diferentes métodos de preparación de diapositivas.

Conclusiones:

• CHIEF proporciona una base generalizable para la evaluación eficiente de la patología digital en el cáncer.
• La capacidad del marco para manejar cambios de dominio mejora su utilidad clínica.
• Este enfoque ofrece una dirección prometedora para el avance de la IA en histopatología para mejorar el cuidado del cáncer.