Comunicación

DETERMINACIÓN DEL GRADO DE ESTEATOSIS MACROGOTULAR EN INJERTO DONANTE DE HÍGADO MEDIANTE VISIÓN POR COMPUTADOR Y MACHINE LEARNING: RESULTADOS PRELIMINARES.

Autores:

FERNANDO PÉREZ SANZ1, ÁNGEL ESTEBAN GIL2, Miriam Riquelme Pérez3, MARÍA ANTONIA PARREÑO GONZÁLEZ1, MARÍA DEL CARMEN LEGAZ GARCÍA2, Jesús Miguel De La Peña Moral4, Albert Caballero Planes5, MARINA CARPES RUIZ6, Alejandro Salazar Nicolás5, Enrique Martínez Barba4, Pascual PARRILLA PARICIO7, Pablo Ramirez Romero7, CARLOS MANUEL MARTINEZ CACERES6

Afiliaciones:

(1) PLATAFORMA DE INFORMÁTICA BIOMÉDICA Y BIOINFORMÁTICA, IMIB-Arrixaca, España
(2) TECNOLOGÍAS DE MODELADO, PROCESAMIENTO Y GESTIÓN DEL CONOCIMIENTO, IMIB-Arrixaca, España
(3) Université Paris-Saclay, CEA-CNRS, MIRCen, Laboratoire des Maladies Neurodégénératives, 92265, Francia
(4) INMUNOLOGÍA E INMUNOTOLERANCIA EN TRASPLANTES Y ENFERMEDADES DE BASE INMUNOLÓGICA, IMIB-Arrixaca, España
(5) Hostpital Universitario Virgen de la Arrixaca, 30120, España (Región de Murcia)
(6) PLATAFORMA DE PATOLOGÍA, IMIB-Arrixaca, España
(7) CIRUGÍA DIGESTIVA, ENDOCRINA Y TRASPLANTE DE ÓRGANOS ABDOMINALES, IMIB-Arrixaca, España

Comunicación:

Antecedentes:

El trasplante ortotópico hepático es la única opción terapéutica para patologías hepáticas crónicas irreversibles. De los múltiples parámetros que definen la viabilidad de un órgano para trasplante, la valoración histopatológica preoperatoria resulta imprescindible para asegurar la viabilidad del injerto y una adecuada calidad de vida al paciente. De entre los criterios a valorar, la esteatosis macrogotular (infiltración intracitoplasmática de grandes gotas de grasa) es un parámetro clave, puesto que más de un 30% de hepatocitos afectados incrementa las complicaciones postoperatorias y el riesgo de rechazo. Sin embargo es un criterio subjetivo, y la posibilidad de error de criterio depende de la experiencia del patólogo. El objetivo del presente estudio es el desarrollo de una aplicación informática capaz de establecer objetivamente el porcentaje exacto de esteatosis macrogotular de una muestra representativa de un hígado donante para determinar el grado de viabilidad de cara a un posible trasplante de hígado usando metodología de machine learning y tecnología de visión artificial.

Métodos:

Para la consecución del estudio se han utilizado criocortes de 7 micras de espesor de muestras representativas de hígados donantes para trasplante hepático (n=10), sobre los que se realizaron la técnica del Sudán IV (tiñe las vacuolas grasas de un color rojo-anaranjado). Posteriormente, se tomaron un mínimo de 20 imágenes seriadas de cada corte a 100X usando un microscopio convencional de luz emitida Zeiss Axio Scope 10 equipado con una cámara digital de alta definición AxioCam 506 color, utilizando un software comercial (Zeiss Zen 3.0). Para la cuantificación automática de la esteatosis macrovacuolar, se han probado diversos algoritmos de machine learning (Knn, SVM, Random Forest, Naïve Bayes, Neural Network) y deep learning (Dense Neural Network), valorando para cada uno de ellos tanto su capacidad predictora para identificar vacuolas como la velocidad de cómputo con el algoritmo, empleando para ello librerías específicas del lenguaje python de machine learning (scikit-learn) y de deep learning (Keras). Posteriormente se diseñó una aplicación web para facilitar la interacción y análisis de las imágenes, empleando la librería shiny del lenguaje estadístico R, que proporciona un framework que permite, por un lado, el diseño de la interfaz gráfica, y por otro, la integración del código python de análisis. Para evaluar los diferentes modelos se han empleado 20 imágenes de cada corte teñido, de las que se han extraído un total de 100 ventanas de 20x20 píxeles que contienen porciones de imagen correspondientes a vacuolas de grasa (50 ventanas) y a regiones heterogéneas sin vacuola (50 ventanas). Del total de 40.000 de píxeles capturados, el 70% se ha empleado para entrenar a los distintos clasificadores y el 30% restante para comprobar sus precisión.

Resultados:

Los 6 algoritmos empleados han mostrado una precisión por encima del 99% (Fig 1). Una vez generados los diferentes modelos y valorada su precisión, se han empleado para clasificar una imagen nueva. Los resultados de clasificar la imagen con los diferentes modelos ya entrenados se muestra en la Figura 2. Respecto a la imagen original, Naïve Bayes y Knn producen clasificaciones donde las vacuolas resultan más nítidas y definidas, mientras que las imágenes producidas por las dos redes neuronales muestran más ruido. Sin embargo, Random Forest no clasifica correctamente los píxeles centrales de las vacuolas. Respecto a la velocidad de los algoritmos, clasificando una imagen de 6.076.416 de píxeles (2752x2208) en un ordenador con 16 Gb de RAM con 8 hilos de procesamiento, los algoritmos más rápidos han sido Neural Network, Naïve Bayes y Knn (0.648 seg., 0.775 seg., 0.945 seg. respectivamente), los más lentos Random Forest y SVM (1.44 seg. y 37.81 seg.). Por último, la red neuronal densamente conectada implementada en Keras empleando GPU+CPU tardó 52.45 seg.

Conclusiones:

En este trabajo hemos desarrollado una aplicación web para cuantificar de manera objetiva la esteatosis hepática y que pueda discriminar el porcentaje de esteatosis macrovacuolar, mediante la aplicación de diferentes modelos precargados en una interfaz gráfica. Aunque todos los modelos empleados han mostrado gran precisión en los test de entrenamiento, validación y clasificación, los Naïve Bayes y Knn son los que han producido mejor imagen y tiempo de procesado/clasificación. Aún cuando el deep learning es una técnica puntera, los resultados obtenidos en nuestro estudio sugieren que ésta pudiera no ser apta para la resolución de este tipo de problemas.


Image 1 Image 2

Dirección

Campus de Ciencias de la Salud
Carretera Buenavista s/n, 30120 El Palmar
Murcia, España

Ver en OpenStreetMap

Ver en Google Maps

Teléfonos

+34 868885229
+34 868885239
+34 868885249