Ciencia básica y patogénesis

Área de la Ciencia:

• Neuropatología
• Patología Computacional
• Análisis de Imágenes Médicas

Sus antecedentes:

• La evaluación actual de la arteriolosclerosis cerebral se basa en escalas subjetivas y semicuantitativas del examen histológico manual.
• Los métodos manuales presentan una fiabilidad interevaluador limitada y carecen de métricas cuantitativas precisas.
• El análisis específico de la región y de alta resolución a menudo no es práctico manualmente.

Objetivo del estudio:

• Desarrollar y validar un algoritmo basado en aprendizaje automático (ML) para el análisis morfométrico automatizado de vasos sanguíneos arterioloscleróticos.
• Introducir la segmentación de arteriolosclerosis (ArtS) y el extractor de índice y grosor de esclerosis (SITE) para la evaluación cuantitativa en imágenes de cortes completos (WSI).

Principales métodos:

• WSI cerebrales digitalizadas teñidas con hematoxilina y eosina de tres bancos de cerebros.
• Se entrenaron tres modelos de ML dentro de ArtS para la detección de vasos sanguíneos, la clasificación de arteriolosclerosis y la segmentación de la pared/lumen del vaso.
• Se utilizó la herramienta SITE para extraer índices de esclerosis y grosores de pared de los vasos segmentados.

Principales resultados:

• ArtS demostró un rendimiento sólido en la detección de vasos sanguíneos (AUC-ROC de hasta 0.79) y la clasificación de arteriolosclerosis (precisión de hasta 0.94).
• La segmentación de vasos arterioloscleróticos logró puntuaciones Dice de hasta 0.73 y AUC-ROC de hasta 0.92.
• SITE calculó con éxito métricas cuantitativas comparables a las evaluaciones de expertos.

Conclusiones:

• El algoritmo ArtS y SITE muestra un potencial significativo para el análisis morfométrico cuantitativo de la arteriolosclerosis.
• Estas herramientas de ML pueden mejorar los métodos actuales de evaluación humana de la patología vascular.
• Una mayor optimización podría conducir a una valiosa herramienta de asistencia para neuropatólogos.