MMD-Net: una solución supervisada débil para la cuantificación de biopsias de hígado graso no alcohólico

Área de la Ciencia:

• Hepatopatología
• Inteligencia Artificial en Medicina
• Patología Computacional

Sus antecedentes:

• La enfermedad del hígado graso no alcohólico (EHNA) afecta al 25% de la población mundial, y a menudo conduce a la cirrosis.
• La biopsia hepática, el estándar de oro para el diagnóstico de la EHNA, utiliza el sistema de puntuación de Kleiner, que requiere mucha mano de obra.
• Los métodos actuales de aprendizaje profundo (DL) para la evaluación de la EHNA requieren anotaciones extensas de los patólogos, lo que limita la escalabilidad.

Objetivo del estudio:

• Desarrollar un marco supervisado débil utilizando el aprendizaje de instancias múltiples (MIL) para la evaluación de la EHNA.
• Reducir la carga de anotación de los patólogos en el diagnóstico de la EHNA.
• Crear un enfoque diagnóstico clínicamente aplicable para la EHNA.

Principales métodos:

• Se utilizó un conjunto de datos de patología hepatocelular disponible públicamente.
• Se desarrolló MMD-Net, un marco supervisado débil que integra MIL con aprendizaje multitarea (MTL).
• Se evaluó el rendimiento del modelo utilizando precisión, exactitud, exhaustividad, puntuación F1 y κ de Cohen.

Principales resultados:

• MMD-Net demostró una fuerte concordancia con la verdad fundamental en la evaluación de la EHNA.
• Se lograron altos coeficientes κ de Cohen ponderados cuadráticamente: 0,932 para el balonamiento, 0,836 para la inflamación y 0,766 para la esteatosis.
• La κ de Cohen media en todas las métricas fue de 0,845.

Conclusiones:

• Se estableció un nuevo paradigma para la evaluación histopatológica estandarizada de la EHNA.
• Se eliminó la necesidad de anotaciones a nivel de píxeles, lo que redujo la carga de trabajo del patólogo.
• Se allanó el camino para el análisis histopatológico impulsado por IA en la evaluación clínica de la EHNA.