Evaluación automatizada de la calidad de la imagen de la patología
(A) Izquierda: gráfico de estimación de la densidad del kernel (KDE) del espacio de características PCA 2D para 16000 parches aleatorios extraídos de las cohortes ProMPT, TCGA y FOCUS. Si bien todavía hay espacio para mejorar, la superposición entre los espacios de características de diferentes cohortes sugiere que tenemos un conjunto de características razonablemente invariable en el dominio. Derecha: espacio de funciones de parches anotados en nuestro conjunto de pruebas de parches de la cohorte ProMPT frente a un conjunto de parches anotados de las cohortes TCGA y FOCUS. (B) Parches de imagen de muestra predichos por PathProfiler como inutilizables de cohortes de tejido no prostático (tejido colorrectal FOCUS) y TCGA (tejido prostático). Crédito: Informes científicos (2022). DOI: 10.1038/s41598-022-08351-5
El análisis de muestras de tejido para el diagnóstico y tratamiento del cáncer todavía se realiza en gran medida bajo el microscopio óptico. Pero los investigadores ahora están desarrollando tecnologías para acelerar y, en última instancia, mejorar la precisión de dichos diagnósticos a través de la digitalización y el análisis asistido por computadora de imágenes de biopsias de tejidos. Estas nuevas tecnologías se basan en gran medida en herramientas de inteligencia artificial (IA), que requieren el desarrollo y el «entrenamiento» de algoritmos de IA en grandes conjuntos de datos de imágenes de diapositivas completas digitalizadas (WSI) vinculadas a datos de resultados clínicos. Pero las imágenes recopiladas de múltiples laboratorios de diagnóstico pueden variar drásticamente en su calidad, lo que a su vez puede comprometer el entrenamiento y el rendimiento posterior de los algoritmos de IA.
Una nueva publicación en Scientific Reports dirigida por Jens Rittscher de Ludwig Oxford y su colega de Oxford Maryam Haghighat describe una herramienta de inteligencia artificial llamada PathProfiler que automatiza el control de calidad de grandes conjuntos de datos de imágenes patológicas retrospectivas para aumentar su usabilidad en la investigación posterior.
Rittscher y sus colegas de Oxford desarrollaron PathProfiler utilizando imágenes patológicas retrospectivas de la cohorte de cáncer de próstata ProMPT (Prostate Cancer Mechanisms of Progression and Treatment). Su herramienta de IA automatiza la evaluación de la calidad de las imágenes patológicas e identifica una gama de posibles artefactos de imagen. También asigna una puntuación de usabilidad a cada WSI, lo que ayudará a guiar si una imagen se puede incluir en el conjunto de datos de entrenamiento de IA. Las puntuaciones generadas por el algoritmo de IA y las asignadas por tres patólogos expertos estaban muy correlacionadas (0,89).
Para probar más a fondo PathProfiler, el equipo evaluó las cohortes de cáncer de próstata y colorrectal FOCUS del Atlas del Genoma del Cáncer. Además de proporcionar un puntaje de calidad e identificar artefactos que afectan la calidad en los WSI, PathProfiler también pudo predecir qué imágenes podrían mejorarse, por ejemplo, volviendo a escanear o volviendo a teñir. Esta predicción es de particular relevancia para la usabilidad de muestras de cohortes retrospectivas altamente seleccionadas, como las que se usan en la investigación del cáncer de próstata.
El software PathProfiler está disponible para el público para que otros grupos puedan usarlo para sus necesidades. propia investigación y contribuir a su posterior desarrollo. El equipo ahora planea optimizar aún más el modelo utilizando otros tipos de tejido y cohortes, y evaluar el rendimiento y la utilidad de la herramienta dentro de una tubería digital de patología clínica.
Explore más
La IA que clasifica los pólipos colorrectales resulta útil en la clínica Más información: Maryam Haghighat et al, Evaluación de calidad automatizada de grandes cohortes de histología digitalizadas por inteligencia artificial, Scientific Reports (2022) ). DOI: 10.1038/s41598-022-08351-5 Información de la revista: Informes científicos
Proporcionado por Ludwig Cancer Research Cita: Evaluación automatizada de la calidad de la imagen patológica (2022, 21 de abril) recuperado el 29 de agosto de 2022 de https://medicalxpress.com/news/2022-04-automated-pathology-image-quality.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.