Aprendizaje automático interpretable para la clasificación de células uroteliales y la puntuación de riesgos en...

Área de la Ciencia:

• Urología
• Patología Computacional
• Inteligencia Artificial

Sus antecedentes:

• La citología urinaria es una herramienta diagnóstica clave para el carcinoma urotelial (CU).
• Los métodos actuales presentan limitaciones en la sensibilidad y la variabilidad interobservador.
• Existe la necesidad de enfoques diagnósticos más objetivos y reproducibles.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje automático (ML) interpretable para la clasificación de células uroteliales.
• Estimar el riesgo a nivel de portaobjetos de CU de alto grado.
• Mejorar la coherencia, la eficiencia y la interpretabilidad de la citología urinaria digital.

Principales métodos:

• Se extrajeron 20 características cuantitativas de 10.230 células uroteliales anotadas por expertos según los criterios del Sistema de París.
• Se entrenaron y validaron modelos de regresión logística ordinal y random forest para la clasificación celular.
• Se derivaron puntuaciones de riesgo a nivel de portaobjetos a partir de las probabilidades celulares agregadas en un conjunto de validación de 247 casos.

Principales resultados:

• Los modelos de ML alcanzaron una precisión superior al 90% en la clasificación de células como normales, atípicas o sospechosas.
• Se identificaron características morfológicas interpretables como predictores clave.
• Las puntuaciones de riesgo derivadas estratificaron eficazmente los casos en categorías de CU negativa, atípica, de bajo grado y de alto grado (p < 0,0001).

Conclusiones:

• El marco de ML basado en características desarrollado ofrece un enfoque transparente y cuantitativo para la citología urinaria.
• Este método tiene el potencial de mejorar la coherencia y la eficiencia diagnósticas.
• El marco se alinea con los criterios citológicos establecidos, lo que ayuda en la interpretación de los hallazgos de la citología urinaria digital.