Desarrollo de un algoritmo de Deep Learning para el grading de tumores de Próstata

"El cáncer de próstata representa una de las neoplasias más prevalentes y una causa significativa de mortalidad en hombres a nivel global. Su diagnóstico se rige por un protocolo de varias etapas que inicia con la evaluación de los niveles de antígeno prostático específico (PSA) y el tacto rectal digital, culminando, ante sospecha, en una biopsia prostática. La evaluación patológica de las muestras de biopsia es crucial, donde especialistas determinan la agresividad tumoral mediante microscopía óptica. Esta determinación se basa en la asignación del puntaje de Gleason y el ISUP Grade Group (escala 1-5), los cuales cuantifican la diferenciación glandular y su similitud con el tejido prostático normal; a menor similitud, mayor grado y peor pronóstico. No obstante, la interpretación de estas clasificaciones puede introducir variabilidad interobservador, con el riesgo de sobrestimaciones o subestimaciones diagnósticas que impactan el tratamiento del paciente. En respuesta a esta problemática y aprovechando los avances en inteligencia artificial, especialmente en Deep Learning, la comunidad científica ha explorado el desarrollo de herramientas para asistir el diagnóstico patológico. Un hito relevante fue el PANDA (Prostate cANcer graDe Assessment) Challenge de Kaggle en 2020, que proporcionó una de las bases de datos de patología digital más extensas y curadas, orientada específicamente a la clasificación del grado tumoral prostático. El presente proyecto final tuvo como objetivo principal desarrollar modelos de aprendizaje supervisado utilizando la base de datos PANDA para asistir a los patólogos en el diagnóstico del cáncer de próstata. Se diseñó un framework integral que abarca la segmentación de imágenes, la extracción de características, el patching, la clasificación y la visualización de la atención mediante mapas de calor. La estrategia de clasificación se implementó en dos fases: un modelo preliminar para la discriminación entre tejido benigno y maligno, el cual alcanzó una precisión global del 85 % con una baja tasa de falsos positivos; y un modelo de clasificación multiclase para determinar el grado ISUP, que mostró una alta capacidad discriminativa (AUC de 0.84), a pesar de desafíos en la interpretación de clases intermedias debido al desbalance inherente del conjunto de datos. La robustez del modelo fue validada y contrastada exhaustivamente con la literatura científica, incluyendo resultados de los primeros puestos del PANDA Challenge. Los modelos desarrollados superaron las líneas base (baselines) y obtuvieron rendimientos competitivos en comparación con otras soluciones altamente optimizadas. Adicionalmente, la utilidad clínica del modelo fue demostrada mediante su comparación con diagnósticos realizados por patólogos expertos, confirmando su capacidad para ofrecer una segunda opinión y contribuir a una estratificación de riesgo más precisa."