Técnica de aprendizaje profundo para la ayuda al diagnóstico en citologías cervicovaginales

Abstract

La citología cervicovaginal es uno de los métodos de elección en el diagnóstico precoz del cáncer de cérvix. El cáncer de cérvix representa la cuarta neoplasia más frecuente en mujeres a nivel mundial y afecta a todos los países del mundo. El empleo de la citología cervicovaginal como método de cribado busca la detección de lesiones preneoplásicas o displásicas, con el fin de dar un tratamiento precoz y frenar su progresión a lesiones de mayor agresividad biológica.

Debido a la creciente demanda de patólogos por el gran volumen de citologías, el examen manual puede ser tedioso y está sujeto a errores. El uso de sistemas de diagnóstico estandarizado como el Sistema Bethesda de diagnóstico de la citología cervicovaginal o la automatización del procesamiento en el laboratorio, son medidas que tratan de aligerar el proceso diagnóstico. El desarrollo de sistemas de detección automatizados del cáncer de cérvix por inteligencia artificial está en apogeo y está destacando como herramienta que permite optimizar los flujos de trabajo.

Planteamos el uso de modelos deep learning especializados en el diagnóstico por imagen, concretamente las redes neuronales convolucionales (CNN), aplicados al diagnóstico de células cervicales obtenidas de la citología cervicovaginal. Este trabajo desarrolla distintos métodos en busca de un modelo robusto que permita su implementación en la práctica diaria. Se desarrollan células artificiales como método de mejora de nuestra base de datos buscando una distribución de imágenes equilibrada entre las distintas categorías diagnósticas del sistema Bethesda.

Examinamos si estas células artificiales son fieles a la célula original y son clasificadas por el modelo CNN en la categoría diagnóstica para la que fue diseñada. Exploramos distintos métodos que le aporten transparencia al modelo facilitando su comprensión y mejorando la confianza de los profesionales al empleo del mismo, como el uso de la segmentación con máscaras celulares en la entrada de la red como método de interpretabilidad (que justifica el funcionamiento o camino que toma la red para elaborar su predicción) o la generación automática de mapas de calor en la capa de salida como método de explicabilidad (para justificar su decisión final). Por último, planteamos pequeñas modificaciones en el modelo CNN para su aplicación en países en vías de desarrollo con bajos recursos, como herramienta prometedora para el diagnóstico precoz del cáncer de cérvix, reduciendo las altas cifras morbilidad y mortalidad presente en estos países.

Los resultados en todas las vías de investigación son prometedores y le han aportado robustez al modelo. Sin embargo, se han puesto en evidencia una serie de limitaciones entre las que destaca la dificultad diagnóstica de las categorías intermedias del Sistema Bethesda; como ASC-US y LSIL, debido a la cierta ambigüedad que presentan en ocasiones sus características citológicas. Se plantean varias vías de solución y líneas futuras de investigación en busca de un modelo universal que se ponga en práctica en el trabajo asistencial.