Análisis de imágenes y aprendizaje automático en patología digital: desafíos y oportunidades

Con el auge de la tecnología de escáner de portaobjetos completos, se escanean, representan y archivan digitalmente un gran número de portaobjetos de tejido. Si bien la patología digital tiene implicaciones sustanciales para la telepatología, las segundas opiniones y la educación, también existen enormes oportunidades de investigación en la computación de imágenes con esta nueva fuente de «big data».

Es bien sabido que existen datos pronósticos fundamentales incrustados en imágenes de patología. La capacidad de extraer características de imágenes «sub-visuales» a partir de imágenes de diapositivas de patología digital, características que pueden no ser visualmente discernibles por un patólogo, ofrece la oportunidad de un mejor modelo cuantitativo de la apariencia de la enfermedad y, por lo tanto, posiblemente una mejor predicción de la agresividad de la enfermedad y el resultado del paciente.

Sin embargo, las atractivas oportunidades en medicina de precisión que ofrecen los grandes datos de patología digital vienen con su propio conjunto de desafíos computacionales. El análisis de imágenes y las herramientas de detección y diagnóstico asistidas por computadora desarrolladas previamente en el contexto de imágenes radiográficas son lamentablemente inadecuadas para lidiar con la densidad de datos en imágenes de diapositivas completas digitalizadas de alta resolución.

Además, ha habido un interés sustancial reciente en combinar y fusionar imágenes radiológicas y mediciones basadas en proteómica y genómica con características extraídas de imágenes patológicas digitales para una mejor predicción del pronóstico de la agresividad de la enfermedad y el resultado del paciente.

Nuevamente, hay una escasez de herramientas poderosas para combinar características específicas de enfermedades que se manifiestan en múltiples escalas de longitud diferentes. El propósito de esta revisión es discutir los desarrollos en las herramientas de análisis de imágenes computacionales para el modelado predictivo de imágenes de patología digital desde una perspectiva de detección, segmentación, extracción de características y clasificación de tejidos.

Discutimos la aparición de nuevos enfoques de características artesanales para mejorar el modelado predictivo de la apariencia de los tejidos y también revisamos la aparición de esquemas de aprendizaje profundo para la detección de objetos y la clasificación de tejidos. También revisamos brevemente algunos de los últimos avances en la fusión de imágenes de radiología y patología y también combinamos mediciones de imágenes derivadas de patologías digitales con características «ómicas» moleculares para un mejor modelado predictivo.

La revisión concluye con una breve discusión de algunos de los desafíos técnicos y computacionales a superar y reflexiona sobre las oportunidades futuras para la cuantificación de la histopatología.

Por su potencialidad también para el diagnóstico de las causas de muerte, compartimos este artículo con ustedes.

Vea el artículo completo.

Madabhushi A, Lee G. Image analysis and machine learning in digital pathology: Challenges and opportunities. Med Image Anal. 2016;33:170-175. doi:10.1016/j.media.2016.06.037

Haga un comentario

Los campos marcados con asteriscos (*) son obligatorios.

*