Técnicas basadas en inteligencia artificial para caracterizar la microestructura del riñón en imágenes histológicas (AI-TIME)

El análisis histopatológico del tejido renal basado en la morfología juega un papel clave en el diagnóstico y las decisiones terapéuticas de muchas enfermedades renales. Hasta la fecha, el análisis histopatológico se realiza principalmente de forma cualitativa, mediante inspección visual, lo que requiere patólogos expertos altamente capacitados.

Los patólogos suelen calificar los hallazgos histopatológicos utilizando escalas de clasificación diagnóstica semicuantitativa, como la clasificación de Oxford de nefropatía por IgA, o escalas de gravedad de la enfermedad. A pesar de estos sistemas de puntuación, el análisis histopatológico sigue siendo semicuantitativo, requiere mucho tiempo y depende en gran medida del operador. Se han propuesto técnicas manuales para evaluar cuantitativamente la microestructura del riñón en imágenes histológicas, lo que muestra potencial para monitorear la progresión de la enfermedad y la respuesta al tratamiento en la enfermedad renal crónica (ERC). Como ejemplo, el volumen intersticial peritubular, responsable de funciones endocrinas cruciales y que experimenta una expansión significativa, aunque reversible, en la ERC, se ha cuantificado recientemente en muestras de biopsia de riñón mediante el conteo de puntos en cada cuadro. A pesar de permitir una cuantificación precisa, estas técnicas manuales requieren mucha mano de obra y dependen del operador. Sería muy deseable una evaluación cuantitativa rápida y objetiva de la microestructura del riñón.

La digitalización de imágenes histológicas, al igual que las imágenes de diagnóstico, ha permitido beneficiarse de técnicas avanzadas de análisis de imágenes que permiten la identificación y segmentación de estructuras histopatológicas relevantes y la evaluación cuantitativa de la microestructura tisular.

En los últimos años, las técnicas de Inteligencia Artificial (IA) y, en particular, de Aprendizaje Profundo (DL) se han mostrado prometedoras para la segmentación (semi)automatizada de estructuras morfológicas relevantes en imágenes histológicas, lo que limita la necesidad de operadores expertos, garantiza la reproducibilidad y reduce masivamente la demanda de tiempo. Las redes neuronales convolucionales (CNN) han demostrado recientemente un rendimiento sobresaliente en tareas de segmentación de imágenes, también en el campo médico. En particular, las llamadas U-Nets, que consisten en una vía de contracción y otra de expansión, se han vuelto cada vez más populares desde que se utilizaron por primera vez. Hasta ahora, pocos estudios han utilizado CNN para investigar la microestructura del riñón en imágenes histológicas. Hermsen et al. utilizaron CNN para la segmentación multiclase de imágenes histológicas de biopsias de riñón [8]. Un estudio similar tuvo como objetivo desarrollar una CNN para la segmentación de estructuras de tejido renal de ratón, como glomérulos, túbulos, arterias y venas, basándose en imágenes densamente anotadas de diferentes enfermedades renales y diversas especies animales.

A pesar de estos prometedores esfuerzos preliminares, la alta heterogeneidad de los patrones morfológicos plantea desafíos para la generalización de las técnicas de segmentación. Serían muy deseables métodos automatizados basados ​​en DL capaces de segmentar y cuantificar con precisión estructuras morfológicas relevantes en imágenes histológicas de riñón de pacientes con diferentes patologías renales y/o diferentes estadios de la enfermedad.