GastritisMIL: Un modelo de aprendizaje profundo interpretable para la evaluación histológica integral de la gastritis...

Área de la Ciencia:

• Patología digital
• Inteligencia artificial en histopatología
• Diagnóstico del cáncer gástrico

Sus antecedentes:

• La evaluación histológica de la gastritis crónica es crucial para la vigilancia del cáncer gástrico.
• Los métodos actuales de diagnóstico consumen mucho tiempo y son subjetivos.
• Se necesitan herramientas de evaluación objetivas y rápidas.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo (GastritisMIL) para la evaluación histológica automatizada de la gastritis crónica.
• Mejorar la eficiencia y la precisión del diagnóstico de la gastritis.
• Para ayudar en las estrategias de seguimiento endoscópico y la detección temprana del cáncer gástrico.

Principales métodos:

• Desarrollo de GastritisMIL, un modelo de aprendizaje profundo para el análisis de diapositivas de biopsia teñidas de H&E.
• Capacitación y pruebas con datos retrospectivos de 2.744 pacientes.
• Validación externa en tres centros médicos con la participación de 467 pacientes.

Principales resultados:

• GastritisMIL logró un área bajo la curva de funcionamiento del receptor > 0,971 en cuatro tareas de diagnóstico: inflamación, actividad, atrofia y metaplasia intestinal.
• El rendimiento del modelo fue comparable al de los patólogos mayores.
• Los mapas de calor de atención interpretables ayudaron a los patólogos jóvenes a identificar las regiones sospechosas.

Conclusiones:

• GastritisMIL demuestra una alta precisión y generalización para la evaluación de la gastritis crónica.
• El modelo tiene el potencial de acelerar las evaluaciones patológicas y reducir los diagnósticos perdidos.
• Esta herramienta de IA puede mejorar la toma de decisiones clínicas para el manejo de la gastritis y la vigilancia del cáncer gástrico.