Desarrollo de una herramienta de patología digital para la clasificación de carcinomas endometriales proficientes y deficientes del sistema de reparación del ADN, mediante un algoritmo de inteligencia artificial : Su utilidad clínica y aplicaciones futuras

La inteligencia artificial (IA) busca replicar la inteligencia humana en procesos computacionales, creando un campo dentro de las ciencias de la computación que tiene como objetivo la resolución de problemas. Se puede implementar de manera eficiente mediante el desarrollo de diversos algoritmos adaptados a las necesidades del usuario. La patología digital, una excelente herramienta de trabajo en ciencias de la salud, es un entorno dinámico basado en imágenes que permite la adquisición, gestión e interpretación de información patológica generada a partir de un portaobjetos digitalizado. Estas imágenes digitales pueden luego ser almacenadas, compartidas y analizadas digitalmente por los diferentes patólogos y otros profesionales afines, expertos en este área de trabajo. El objetivo de este trabajo es utilizar IA para la predicción de inestabilidad microsatelital en carcinomas endometriales, desarrollando un algoritmo que nos permita separar, de este universo de pacientes, al subgrupo de tumores con sistema de reparación del ADN conservado (Proficiente, subrogante de tumores estables o MSS) de aquellos con el sistema de reparación del ADN deficiente o averiado (Deficiente, subrogante de tumores inestables o MSI). La elección de tumores endometriales para nuestro proyecto radica en la importancia de reconocer el subgrupo MSI, por la respuesta a novedosos tratamientos con inmunoterapia entre otras consideraciones y el aporte invalorable en la simplificación de procesos por parte de la patología digital que describiremos a lo largo de nuestro trabajo. El algoritmo desarrollado se basó en la arquitectura CLAM (Clustering Constrained Attention Multiple Instance Learning) que es un modelo de clasificación de imágenes patol ́ogicas, basado en la atención. Este modelo utiliza aprendizaje profundo en un marco semi supervisado en donde se entrena con WSI (Whole Slide Images) que tienen una única etiqueta (MSI o MSS) para toda la diapositiva. El modelo logra enfocarse en las regiones relevantes de la imagen para luego poder predecir la inestabilidad o estabilidad microsatelital en imágenes desconocidas para el modelo. En primer lugar, se segmentan las regiones de tejido dentro de la diapositiva y se divide la misma en parches más pequeños de 256 x 256 píxeles. Para reducir el costo computacional del modelo, se utiliza una red neuronal convolucional (CNN) para extraer características relevantes de cada uno de los parches. Son estas características las que se utilizan como entrada para el modelo de clasificación. Se entrenó al modelo con dichas características correspondientes a 397 WSI, 169 MSI y 228 MSS obtenidas de los proyectos públicos TCGA-UCEC y CPTAC-UCEC. Cuando se evaluó el modelo en 38 imágenes de dichos conjuntos de datos se obtuvo un 100 % de sensibilidad, 81,6 % de exactitud, 68,2 % de especificidad y 91,5 % de AUROC. Por otro lado, cuando se evaluó el modelo en un conjunto de 51 imágenes obtenidas de muestras retrospectivas de un laboratorio independiente de anatomía patológica, se obtuvo un 90,9 % de sensibilidad, 62,7 % de exactitud, 41,4 % de especificidad y 74,1 % de AUROC. Además se desarrolló un prototipo de interfaz gráfica para que los profesionales afines de diversas instituciones médicas del país puedan acceder a esta herramienta y eficientizar el proceso de elección del tratamiento óptimo. En conclusión y tras un año de dedicación al desarrollo de nuestra plataforma digital, consideramos que proporcionar a pacientes con cáncer la capacidad de ser categorizados, inicialmente, en un subgrupo molecular mediante una coloración tan básica como la Hematoxilina-Eosina (H&E), representa una contribución significativa al avance en el diagnóstico de drivers oncogénicos. Reconociendo que requerirá de un mayor número de casos y de mejoras en el modelo para perfeccionar los resultados, estamos convencidas de haber iniciado un camino que agilizará los tiempos de diagnóstico y ampliará el alcance de la detección de inestabilidad microsatelital y otros biomarcadores moleculares en cáncer.