Lectura de imágenes asistida por IA en el análisis de aplicaciones de citología cervical

Este artículo es de Oncología clínica china

Autor: Liu Sichun, Hu huaiyuan, Zhu nana y Tangheng

El cáncer de cuello uterino es una de las principales causas de muertes relacionadas con el cáncer entre mujeres tanto en China como en todo el mundo. Se ubica como el cuarto tumor maligno más común en mujeres a nivel mundial. En 2021, se diagnosticaron 109.741 casos nuevos de cáncer de cuello uterino en China, con 59.060 muertes, lo que sitúa al cáncer de cuello uterino como la octava causa principal de muertes relacionadas con el cáncer en las mujeres.

Adherirse al principio de prevención como enfoque principal y combinar la prevención con el tratamiento, aumentar la cobertura de las pruebas de detección del cáncer de cuello uterino, innovar en los modelos de detección y mejorar la calidad y eficiencia de las pruebas de detección puede dar como resultado una tasa de detección temprana de más del 90% del cáncer de cuello uterino. Actualmente, hay una escasez significativa de patólogos en China, lo que genera altas presiones de revisión de casos. Cuando se calcula a una tasa de 100 portaobjetos por patólogo por día, está muy lejos de satisfacer las demandas clínicas. Además, existe un desequilibrio en la distribución de recursos médicos entre regiones, con diferencias significativas en la comprensión del control de calidad de la citología. Debido a factores como la fatiga, los niveles de habilidad y la interpretación subjetiva, la sensibilidad de detección es solo de alrededor del 65 %, lo que plantea un riesgo de diagnósticos erróneos y erróneos, comprometiendo así la calidad de los diagnósticos citológicos.

Por lo tanto, mejorar la sensibilidad, especificidad y eficiencia del cribado es una cuestión urgente que hay que abordar. Con el advenimiento de la era de la informática y la recopilación de datos, la tecnología de inteligencia artificial (IA) se ha expandido e integrado gradualmente en diversos campos médicos. En particular, en el campo de la citología, la interpretación de portaobjetos asistida por IA combina el pensamiento humano con las capacidades de la inteligencia artificial, creando un excelente método de detección citológica. Esto reduce significativamente el tiempo de detección de los patólogos y selecciona células anormales individuales, mejorando así la eficiencia del procesamiento de la información en la detección citológica. Este estudio compara la detección de lesiones precancerosas cervicales en sistemas de interpretación de portaobjetos asistidos por IA con interpretaciones de portaobjetos microscópicos convencionales, examinando su sensibilidad y especificidad para validar su valor de aplicación en citología cervical.

1. Recopilación de datos clínicos: se seleccionaron como grupo de control para el estudio un total de 5400 portaobjetos de prueba citológica ThinPrep (TCT) diagnosticados y revisados ​​manualmente, con calidad satisfactoria, archivados por el Laboratorio Médico Huikang desde enero de 2022 hasta agosto de 2022. Además, se utilizaron como grupo de IA 4.893 portaobjetos identificados como válidos por IA.

2. Criterios de diagnóstico citológico: el TBS de 2014[11]Se emplearon criterios de diagnóstico descriptivos, categorizando las células escamosas atípicas de significado indeterminado (ASC-US) y superiores como positivas, y otras categorías como negativas. Los términos de diagnóstico específicos incluyeron: (1) Ausencia de lesión intraepitelial o malignidad (NILM); (2) ASC-EE.UU.; (3) Células escamosas atípicas, no se puede excluir la lesión intraepitelial escamosa de alto grado (ASC-H); (4) Lesión intraepitelial escamosa de bajo grado (LSIL); (5) Lesión intraepitelial escamosa de alto grado (HSIL); (6) Carcinoma de células escamosas (CCE); (7) Células glandulares atípicas, no especificadas de otra manera (AGC-NOS); (8) Células glandulares atípicas: favorecen la neoplasia (AGC-FN); (9) Adenocarcinoma in situ (AIS); (10) Adenocarcinoma. Debido a la rareza de las lesiones epiteliales glandulares en el trabajo real, el laboratorio solo emitió 5 casos de informes de citología AGC de enero a agosto de 2022, por lo que las lesiones epiteliales glandulares no se incluyeron en este estudio.

3. Métodos de investigación: Para el examen citológico se utilizó la preparación de portaobjetos basada en sedimentación automatizada. La interpretación manual de diapositivas estuvo a cargo de dos médicos tratantes y dos médicos jefes asociados. El escaneo de diapositivas se realizó utilizando el escáner KF-PRO-400 de KFBIO y el software de diagnóstico de cáncer de cuello uterino asistido por IA de KFBIO.

2. Resultados:

1. Evaluación de la calidad de las diapositivas de IA: se escanearon e identificaron un total de 5400 diapositivas, y la IA reconoció como válidas 4893 diapositivas. Estos incluyeron 4.094 casos de NILM, 20 casos de infección por hongos, 5 casos de infección por tricomonas, 280 casos de ASC-US, 267 casos de LSIL, 67 casos de ASC-H, 158 casos de HSIL y 2 casos de SCC. Un total de 507 portaobjetos se consideraron no aptos para el análisis debido a motivos como imágenes borrosas causadas por problemas focales o de sellado, cantidad insuficiente de células epiteliales legibles (menos que el estándar establecido por la IA de 5000 células) y portaobjetos dañados.

2. Análisis de sensibilidad y especificidad de la interpretación de portaobjetos asistida por IA: en este estudio, se identificaron 4119 portaobjetos negativos y 774 portaobjetos positivos. Los portaobjetos negativos incluyeron NILM e infecciones microbianas, con 5 casos de infección por tricomonas (Figura 1A) y 20 casos de infección por Candida (Figura 1B) entre los 4119 portaobjetos negativos. Utilizando el grupo de control como estándar, la sensibilidad del grupo de IA fue del 81% y la especificidad del 77%. La IA logró la sensibilidad más alta del 97 % en la identificación de lesiones LSIL y superiores, y se observó la sensibilidad más baja para ASC-US. En las diapositivas negativas, la IA a menudo malinterpretó los hilos de moco o las estructuras amorfas en forma de bastón como cándida o tricomonas, aunque limitado por la escasez de datos comparables sobre infecciones microbianas.

3. Análisis de falsos positivos y falsos negativos en el grupo de IA: la tasa de falsos positivos en el grupo de IA fue del 23 %, atribuido principalmente a la identificación errónea de casos de ASC-US, con 724 casos de cambios reactivos mal interpretados como células patológicas (Figura 1C), lo que contribuyó al aumento de la tasa de falsos positivos. Además, AI interpretó 92 casos como LSIL. Durante la revisión manual, se observó que en la mayoría de los casos la IA malinterpretaba las células glucogenadas como células huecas (Figura 1D). En 76 casos de ASC-H y 44 casos de lesiones HSIL, se encontró que la mayoría eran células basales que experimentaban atrofia relacionada con la edad (Figura 1E) o grupos de células comprimidas con tinción oscura (Figura 1F).

R: Tricomonas; B: Cándida; C: la IA interpreta los cambios reactivos en las células epiteliales como ASC-US; D: la IA interpreta las células glucogenadas como lesiones de bajo grado (LSIL); E: AI interpreta el epitelio escamoso atrófico como lesiones de alto grado (HSIL); F: La IA interpreta los grupos de células abarrotadas como lesiones de alto grado (HSIL).

2.4 Comparación del tiempo de lectura de diapositivas: De acuerdo con los requisitos de control de calidad, la lectura de diapositivas diaria de cada persona no debe exceder las 100 diapositivas. El tiempo total teórico para la lectura manual de diapositivas se calculó en 4.320 horas. En la práctica real, cuatro patólogos revisaron colectivamente 5.400 diapositivas, lo que tomó aproximadamente 256 horas (32 días) en total. El sistema de IA, incluido el escaneo y el análisis de diapositivas, requirió solo 162 horas (6,75 días). La IA acortó significativamente el tiempo de lectura de diapositivas y puede analizar diapositivas de forma continua durante 24 horas.

3. Discusión

El cáncer de cuello uterino es actualmente el único tumor maligno con una causa relativamente clara y el único que puede curarse y prevenirse. La detección del cáncer de cuello uterino se lleva realizando durante muchos años y ha dado lugar a varias tecnologías nuevas, como el análisis de ploidía del ADN, la tinción dual P16/Ki-67 y la detección de metilación. Sin embargo, debido a los costos económicos y a cuestiones de universalidad, el cribado citológico sigue siendo el método económicamente más eficaz en la fase actual.

Este estudio analizó 5.400 frotis citológicos, comparando el tiempo de lectura del portaobjetos, la sensibilidad y la especificidad entre el grupo AI y el grupo control. Los resultados mostraron que la especificidad del grupo AI alcanzó el 77%, y la sensibilidad para lesiones LSIL y superiores podría alcanzar el 97%. Esto indica que, hasta cierto punto, se puede confiar en la asistencia de la IA para la detección del cáncer de cuello uterino a gran escala, y un control de calidad citológico eficaz (siguiendo los requisitos CNAS-15189, revisando todos los portaobjetos positivos y el 10% de los portaobjetos negativos) puede garantizar la calidad del diagnóstico. Sin embargo, en comparación con la lectura de diapositivas tradicional, la IA todavía tiene ciertas limitaciones. En primer lugar, la IA tiene requisitos más altos en cuanto a la calidad de las diapositivas; En este estudio, 507 diapositivas no pudieron interpretarse debido a problemas de calidad, lo que destaca la alta tasa de reconocimiento de la IA para diapositivas de alto nivel y calidad. En segundo lugar, la IA tiene una menor precisión a la hora de interpretar las lesiones ASC-US. El análisis indica que la IA malinterpreta algunas células reactivas inflamatorias o impurezas como células patológicas, lo que lleva a una mayor tasa de falsos positivos. Estas lesiones también presentan características de fuerte subjetividad y escasa repetibilidad en la interpretación manual de diapositivas. En el trabajo práctico, la IA suele desempeñar el papel de un “cubo de basura”. En tercer lugar, la IA muestra un error de juicio significativo en las lesiones atróficas relacionadas con la edad y en los grupos de células abarrotadas. Las razones de esto pueden ser la tinción profunda de los núcleos de las células atróficas, un desequilibrio en la relación núcleo-citoplasma y una superposición morfológica con células altamente patológicas. Sin embargo, en la detección del cáncer de cuello uterino respaldada por el gobierno, que a menudo se lleva a cabo en áreas con dificultades económicas y con una mayor proporción de personas mayores, la IA necesita un mayor refinamiento del algoritmo y una mayor comparación de datos para mejorar la precisión interpretativa. A medida que la tecnología de IA continúa evolucionando, los sistemas de detección citológica con asistencia inteligente en la interpretación de portaobjetos se están volviendo cada vez más populares. La aplicación exitosa de la detección automatizada en la interpretación de diapositivas asistida inteligente proporcionará nuevas ideas y métodos para el desarrollo y aplicación de software patológico inteligente. Además, esta tecnología ya se ha aplicado ampliamente en los países desarrollados. Los científicos japoneses, como Tanaka et al.[7], compararon la interpretación manual de portaobjetos con la detección por imágenes por computadora de más de cuatro mil frotis citológicos cervicales, y los resultados mostraron que la capacidad de detección citológica de este sistema era comparable a la detección manual, con un tiempo de detección significativamente más corto. Por lo tanto, algunos laboratorios médicos de países desarrollados han adquirido este sistema y lo han incorporado como parte del examen citológico cervical de rutina. La Administración de Alimentos y Medicamentos de EE. UU. (FDA) ha aprobado varios sistemas de detección de cáncer de cuello uterino comercializados, como el sistema de imágenes FocalPoint GS de Becton Dickinson.[8], lo que hace que la IA se utilice ampliamente en el campo del cribado citológico. Sin embargo, en países en desarrollo como China, donde la base de población es grande y los costos de mantenimiento y uso de estos sistemas auxiliares son altos, su aplicación generalizada es un desafío. Por lo tanto, se espera que en breve se puedan aplicar ampliamente a nivel local sistemas de detección de IA con mayor rentabilidad.

En resumen, mientras simula continuamente la experiencia humana mediante el aprendizaje profundo, la IA puede mejorar gradualmente los modelos de algoritmos informáticos. Esta mejora conduce a una mejora en la eficacia del diagnóstico celular. Como forma de método de detección computarizado de big data, la IA acorta significativamente el tiempo de lectura de las diapositivas para los patólogos, reduce su carga de trabajo y, por lo tanto, mejora la eficiencia de los patólogos en la detección citológica. En el trabajo práctico, hacer pleno uso de la tecnología de inteligencia artificial manteniendo a los patólogos como líderes y realizando un control de calidad citológico eficaz, especialmente para trabajos de detección a gran escala y centros de diagnóstico patológico de terceros, puede mejorar significativamente la eficiencia del trabajo.