Detección de la infección por Helicobacter pylori en biopsias gástricas histopatológicas utilizando modelos de aprendizaje profundo

Abstract

Tradicionalmente, la gastritis por Helicobacter pylori (HP) ha sido diagnosticada por patólogos mediante el examen de biopsias gástricas utilizando microscopía óptica con tinción estándar de hematoxilina y eosina (H&E). Sin embargo, con la adopción de la patología digital, la identificación de H. pylori enfrenta ciertas limitaciones, particularmente debido a la resolución insuficiente en algunas imágenes escaneadas. Además, la variabilidad entre observadores ha sido bien documentada en el enfoque diagnóstico tradicional, lo que puede complicar aún más una interpretación consistente. En este contexto, los modelos de redes neuronales convolucionales profundas (DCNN, por sus siglas en inglés) están mostrando resultados prometedores en la detección automatizada de esta infección en imágenes de lámina completa (WSI, Whole-Slide Images). El objetivo del presente artículo es detectar la presencia de infección por HP en nuestro propio conjunto de datos institucional de muestras de biopsias gástricas histopatológicas, utilizando diferentes enfoques reconocidos y preentrenados de DCNN y AutoML. El conjunto de datos incluye 100 imágenes WSI de biopsias gástricas teñidas con H&E. La infección por HP fue confirmada previamente mediante inmunohistoquímica. Se seleccionaron un total de 45,795 fragmentos (patches) para el desarrollo de modelos. InceptionV3, ResNet50 y VGG16 obtuvieron un rendimiento con un AUC (Área bajo la curva) de 1. Sin embargo, InceptionV3 mostró métricas superiores como exactitud (0.97), sensibilidad o recall (1.00), F1-score (0.97) y MCC (coeficiente de correlación de Matthews) de 0.933. BoostedNet y AutoKeras obtuvieron resultados inferiores en exactitud, precisión, recall, especificidad y F1-score, todas por debajo de 0.85. Para la validación externa, se utilizó el modelo InceptionV3, y las predicciones en todos los parches generaron una exactitud global del 78%. En conclusión, los modelos DCNN mostraron un mayor potencial para el diagnóstico de H. pylori en biopsias gástricas en comparación con los enfoques de AutoML. No obstante, debido a la variabilidad en las aplicaciones patológicas, ningún modelo es universalmente óptimo. Es esencial un enfoque específico para cada problema. Con la creciente adopción de WSI, el aprendizaje profundo (DL) puede mejorar la precisión diagnóstica, reducir la variabilidad y optimizar los flujos de trabajo en patología mediante la automatización.