Clasificadores de tejido mamario normal (NBT): avance en la clasificación de compartimentos en la histología mamaria...

Área de la Ciencia:

• Patología computacional
• Histopatología digital
• Inteligencia artificial en oncología

Sus antecedentes:

• El análisis cuantitativo del tejido mamario normal (NBT) es crucial para la detección temprana del cáncer, pero sigue siendo limitado.
• La histopatología computacional que utiliza portaobjetos digitalizados ofrece potencial, pero carece de análisis basado en IA para NBT.

Objetivo del estudio:

• Desarrollar y validar modelos de IA para la clasificación del tejido mamario normal.
• Establecer herramientas analíticas robustas para el análisis de compartimentos de NBT para ayudar en la detección temprana del cáncer de mama.

Principales métodos:

• Se curaron 70 imágenes completas de portaobjetos (WSI) de NBT con anotaciones guiadas por patólogos.
• Se desarrollaron modelos de clasificación a nivel de parche (NBT-Classifiers) basados en redes neuronales convolucionales (CNN).
• Se validaron los modelos en tres cohortes externas utilizando diferentes tamaños de parche (128x128 µm y 256x256 µm).

Principales resultados:

• Los NBT-Classifiers lograron un alto rendimiento con AUC de 0.98-1.00 en cohortes externas.
• Los modelos identificaron características distintas del tejido normal, diferenciándolas del epitelio precanceroso y canceroso.
• Las técnicas de IA explicable visualizaron las características aprendidas y la integración en un flujo de trabajo facilitó el análisis de la región perilobular.

Conclusiones:

• Los NBT-Classifiers proporcionan un análisis preciso y específico de compartimentos del tejido mamario normal.
• Estas herramientas mejoran la comprensión de la morfología de NBT, sirviendo como referencias para identificar cambios premalignos.
• Los modelos desarrollados apoyan las estrategias de prevención del cáncer de mama temprano a través de un análisis cuantitativo mejorado.