Clasificación del conjunto de datos mitóticos AMi-Br con AUCMEDI

Área de la Ciencia:

• Patología computacional
• Patología digital
• Aprendizaje automático en oncología

Sus antecedentes:

• La densidad de la figura mitótica (MF) es un biomarcador clave del tumor.
• La diferenciación entre las FM atípicas (AMF) y las FM normales (NMF) es un área de investigación emergente.
• La densidad de AMF puede servir como un biomarcador independiente, lo que requiere métodos de diferenciación automatizados.

Objetivo del estudio:

• Evaluar el marco de aprendizaje profundo AUCMEDI para clasificar los subtipos de figuras mitóticas.
• Evaluar la complejidad de diferenciar entre las cifras mitóticas normales y atípicas en el cáncer de mama.
• Establecer una línea de base para el análisis automatizado de figuras mitóticas.

Principales métodos:

• Aplicación del marco de aprendizaje profundo AUCMEDI al conjunto de datos AMi-Br.
• Utilizando un conjunto basado en ConvNeXt para un modelo de clasificación de subtipos de ocho clases.
• Emplear una estrategia de validación cruzada a nivel de paciente para la formación y la evaluación.

Principales resultados:

• Se alcanzó una alta especificidad (≥ 90%) en todas las clases de figuras mitóticas.
• Sensibilidad variable (0-82%) en las subclases, indicando la complejidad de la tarea.
• Área media bajo la curva (AUC) del 85,90%, superando la línea de base de clasificación binaria (69,8%).

Conclusiones:

• El aprendizaje profundo muestra potencial para el análisis de figuras mitóticas a nivel de subclase.
• El estudio proporciona información sobre los desafíos de la diferenciación automatizada de AMF/NMF.
• Se necesita un mayor refinamiento del modelo para mejorar la sensibilidad y una aplicación clínica más amplia.