Desarrollo de un modelo de evaluación histológica basado en aprendizaje profundo para la curación de defectos óseos...

Área de la Ciencia:

• Ingeniería Biomédica
• Medicina Regenerativa
• Patología Computacional

Sus antecedentes:

• Los defectos femorales de tamaño crítico en ratas son un modelo preclínico estándar para la regeneración ósea.
• La evaluación histológica es crucial pero requiere mucho tiempo y es propensa a la variabilidad del observador.
• El aprendizaje automático, específicamente las CNN, presenta una oportunidad para el análisis histológico objetivo.

Objetivo del estudio:

• Desarrollar y validar un modelo CNN para la evaluación histológica automatizada de la curación ósea.
• Comparar el rendimiento de la IA con el de expertos humanos y estudiantes.

Principales métodos:

• Se entrenó una CNN U-Net modificada con histología de defectos femorales de rata teñida con pentacromo de Movat (n=669).
• Se anotaron cinco clases de tejido para la segmentación semántica y la clasificación de las etapas de curación.
• Se compararon las puntuaciones de curación ósea de la IA con las evaluaciones de expertos y estudiantes en 20 imágenes independientes.

Principales resultados:

• El modelo CNN demostró una alta precisión de segmentación para los tipos de tejido clave.
• Las puntuaciones de curación generadas por IA se correlacionaron fuertemente con las calificaciones de los expertos (r de Spearman=0.819).
• El rendimiento de la IA en la puntuación fue comparable al de los estudiantes de medicina y mostró una excelente concordancia con los expertos (ICC=0.820).

Conclusiones:

• Un modelo basado en CNN logra un rendimiento a nivel de experto en la evaluación histológica de la curación ósea.
• Esta herramienta de IA proporciona una solución reproducible y eficiente en el tiempo para la investigación preclínica de regeneración ósea.