Identificación de características estructurales del tejido subcutáneo mediante aprendizaje automático no supervisado

Área de la Ciencia:

• Ingeniería Biomédica
• Biología Computacional
• Dermatología

Sus antecedentes:

• La cuantificación precisa de la estructura del tejido subcutáneo (SC) es crucial para comprender la fisiología de la piel y desarrollar modelos computacionales.
• La segmentación manual de imágenes para el tejido SC requiere mucha mano de obra, depende del usuario y carece de reproducibilidad.
• Actualmente no hay algoritmos automatizados robustos para la identificación de la estructura del tejido SC, y los métodos de aprendizaje automático (ML) supervisado requieren conjuntos de datos etiquetados extensos.

Objetivo del estudio:

• Presentar una metodología novedosa de aprendizaje automático no supervisado para la identificación automatizada de características estructurales del tejido SC a partir de portaobjetos de histología teñidos.
• Abordar la falta de conjuntos de datos etiquetados para el análisis del tejido SC, una limitación común para los enfoques de ML supervisado.

Principales métodos:

• Desarrolló una transformación novedosa de imágenes 2D para generar mapas de intensidad proximal, que representan valores de intensidad radial para cada píxel.
• Redujo el mapa de intensidad proximal a un espacio de vectores de características de menor dimensión.
• Empleó agrupamiento K-means para la clasificación de píxeles basada en vectores de características calculados, utilizando un método objetivo para la selección del radio de búsqueda óptimo.

Principales resultados:

• Demostró con éxito la clasificación e identificación automatizada y robusta de la red de colágeno dentro de los espacios del tejido adiposo en muestras de tejido SC de piel de cerdo.
• El mapa de intensidad proximal y la reducción del espacio de características permitieron una agrupación efectiva de las estructuras del tejido SC.
• Se estableció una base objetiva para la selección del radio de búsqueda óptimo para la minimización del ruido y la separación de características.

Conclusiones:

• El método de ML no supervisado presentado ofrece un enfoque novedoso para identificar automáticamente las estructuras del tejido SC.
• Este avance ayuda a comprender la fisiología de la piel y a desarrollar mejores modelos de tejido in vitro.
• La metodología proporciona una alternativa reproducible y eficiente a la segmentación manual para el análisis del tejido SC.