stringtranslate.com

Patología digital

La patología digital es una parte importante de la informática patológica y abarca temas que incluyen el escaneo de diapositivas, la obtención de imágenes digitales, el análisis de imágenes y la telepatología .

La patología digital es un subcampo de la patología que se centra en la gestión y el análisis de la información generada a partir de portaobjetos de muestras digitalizadas . Utiliza tecnología informática y microscopía virtual para ver, gestionar, compartir y analizar portaobjetos digitales en monitores de ordenador. [1] Este campo tiene aplicaciones en la medicina diagnóstica y tiene como objetivo lograr diagnósticos , pronósticos y predicciones de enfermedades más eficientes y rentables a través de avances en el aprendizaje automático y la inteligencia artificial en la atención sanitaria . [2] [3]

Historia

Los orígenes de la patología digital se remontan a los años 60 con los primeros experimentos de telepatología . El concepto de microscopía virtual surgió en los años 90 en diversas áreas de investigación de las ciencias de la vida. [4] A principios de siglo, la comunidad científica se puso de acuerdo cada vez más en el término "patología digital" para designar los esfuerzos de digitalización en patología. Sin embargo, en el año 2000, los requisitos técnicos (escáner, almacenamiento, red) seguían siendo un factor limitante para una amplia difusión de los conceptos de patología digital. Esto cambió con la aparición en el mercado de nuevas tecnologías de escáner potentes y asequibles, así como tecnologías de almacenamiento masivo/en la nube . El campo de la radiología ha experimentado la transformación digital hace casi 15 años, no porque la radiología sea más avanzada, sino porque existen diferencias fundamentales entre las imágenes digitales en radiología y la patología digital: la fuente de la imagen en radiología es el paciente (vivo) y, hoy en día, en la mayoría de los casos, la imagen incluso se captura principalmente en formato digital. En patología, el escaneo se realiza a partir de muestras conservadas y procesadas, para estudios retrospectivos incluso a partir de portaobjetos almacenados en un biobanco . Además de esta diferencia en el contenido de metadatos y de preanálisis , el almacenamiento requerido en patología digital es dos o tres órdenes de magnitud mayor que en radiología. Sin embargo, las ventajas que se esperan de la patología digital son similares a las de la radiología:

En la actualidad, la patología digital se utiliza ampliamente con fines educativos [5] en telepatología y teleconsulta , así como en proyectos de investigación. La patología digital permite compartir y anotar diapositivas de una manera mucho más sencilla y descargar conjuntos de conferencias anotadas, lo que genera nuevas oportunidades para el aprendizaje electrónico y el intercambio de conocimientos en patología. La patología digital en el diagnóstico es un campo emergente y prometedor.

Ambiente

Escanear

Un escáner de portaobjetos de microscopio.
Comparación de la calidad de imagen de una diapositiva completa, con una diapositiva escaneada con un objetivo de 20x y un tamaño de aproximadamente 0,8 gigabytes (GB) a la izquierda, y con un objetivo de 40x y un tamaño de aproximadamente 1,2 GB a la derecha. Cada imagen muestra un glóbulo rojo.

Las diapositivas digitales se crean a partir de portaobjetos de vidrio utilizando máquinas de escaneo especializadas. Todas las exploraciones de alta calidad deben estar libres de polvo, rayones y otras obstrucciones. Hay dos métodos comunes para el escaneo digital de diapositivas, el escaneo basado en mosaicos y el escaneo basado en líneas. [6] Ambas tecnologías utilizan una cámara integrada y una platina motorizada para mover la diapositiva mientras se toman imágenes de partes del tejido. Los escáneres de mosaicos capturan imágenes de campo de visión cuadrado que cubren toda el área de tejido en la diapositiva, mientras que los escáneres de líneas capturan imágenes del tejido en franjas largas e ininterrumpidas en lugar de mosaicos. En ambos casos, el software asociado con el escáner une los mosaicos o las líneas en una sola imagen sin fisuras.

El apilamiento Z es el escaneo de una diapositiva en múltiples planos focales a lo largo del eje z vertical. [7]

Vista

Las diapositivas digitales son accesibles para su visualización a través de un monitor de computadora y un software de visualización, ya sea localmente o de forma remota a través de Internet. Un ejemplo de un visualizador de código abierto basado en la web para este propósito implementado en JavaScript puro , para computadoras de escritorio y dispositivos móviles, es el visualizador OpenSeadragon [8] . QuPath [9] es otro de esos programas de código abierto, que a menudo se utiliza para aplicaciones de patología digital porque ofrece un poderoso conjunto de herramientas para trabajar con imágenes de diapositivas completas. OpenSlide, [10] por otro lado es una biblioteca C ( también están disponibles enlaces de Python y Java ) que proporciona una interfaz simple para leer y ver imágenes de diapositivas completas.

Administrar

Las diapositivas digitales se mantienen en un sistema de gestión de información que permite el archivo y la recuperación inteligente.

Red

Las diapositivas digitales a menudo se almacenan y se envían a través de Internet o redes privadas para su visualización y consulta.

Analizar

Las herramientas de análisis de imágenes se utilizan para derivar medidas de cuantificación objetivas a partir de portaobjetos digitales. Los algoritmos de segmentación y clasificación de imágenes , a menudo implementados mediante redes neuronales de aprendizaje profundo , se utilizan para identificar regiones y objetos médicamente significativos en portaobjetos digitales. Se ha desarrollado un software de aceleración de GPU para el análisis de imágenes de patología, que compara los límites espaciales de una gran cantidad de objetos microanatómicos segmentados. [11] El algoritmo central de PixelBox en este software se ha adoptado en la biblioteca Geometric Performance Primitives (GPP) de Fixstars [12] como parte de NVIDIA Developer, que es un motor de geometría de producción para sistemas avanzados de información gráfica, automatización de diseño electrónico, visión artificial y soluciones de planificación de movimiento. [13]

Integrar

El flujo de trabajo de patología digital está integrado en el entorno operativo general de la institución. Se espera que la digitalización de portaobjetos reduzca la cantidad de portaobjetos revisados ​​manualmente de manera rutinaria, maximizando así la eficiencia de la carga de trabajo.

Intercambio

La patología digital también permite compartir información a través de Internet con fines educativos, de diagnóstico, de publicación y de investigación. Esto puede adoptar la forma de conjuntos de datos disponibles públicamente o de acceso de código abierto a algoritmos de aprendizaje automático .

Desafíos

El tejido óseo es particularmente propenso a artefactos de plegado . En esta micrografía , la cámara automática se enfoca en un pliegue (a la izquierda de la imagen), lo que da como resultado una aberración de desenfoque (borrosidad) del tejido circundante (a la derecha de la imagen).
En este caso, no existe una distinción clara entre las células tumorales y las células estromales grandes circundantes, por lo que es necesaria una delimitación antes de aplicar herramientas de cuantificación automática de tinciones.

La FDA ha aprobado la patología digital para el diagnóstico primario. [16] La aprobación se basó en un estudio multicéntrico de 1.992 casos en los que se demostró que la obtención de imágenes de portaobjetos completo (WSI) no era inferior a la microscopía en una amplia gama de muestras de patología quirúrgica, tipos de muestras y tinciones. [17] Si bien la WSI tiene ventajas a la hora de crear datos digitales a partir de portaobjetos de vidrio, cuando se trata de aplicaciones de telepatología en tiempo real, la WSI no es una opción sólida para el debate y la colaboración entre varios patólogos remotos. [18] Además, a diferencia de la radiología digital, donde la eliminación de la película hizo que el retorno de la inversión (ROI) fuera claro, el ROI en el equipo de patología digital es menos obvio. La justificación más sólida del ROI incluye una mejor calidad de la atención médica, una mayor eficiencia para los patólogos y una reducción de los costos en el manejo de portaobjetos de vidrio. [19]

Validación

La validación de un flujo de trabajo de microscopía digital en un entorno específico (ver arriba) es importante para garantizar un alto rendimiento diagnóstico de los patólogos al evaluar imágenes digitales de portaobjetos completos. Existen diferentes métodos que se pueden utilizar para este proceso de validación. [20] El Colegio Americano de Patólogos ha publicado una guía con requisitos mínimos para la validación de sistemas de imágenes de portaobjetos completos con fines diagnósticos en patología humana. [21]

Potencial

Los patólogos capacitados tradicionalmente observan portaobjetos de tejido bajo un microscopio. Estos portaobjetos de tejido pueden teñirse para resaltar las estructuras celulares. Cuando los portaobjetos se digitalizan, se pueden compartir a través de telepatología y se analizan numéricamente utilizando algoritmos informáticos. Los algoritmos se pueden utilizar para automatizar el recuento manual de estructuras o para clasificar el estado del tejido, como se utiliza para clasificar los tumores. Además, se pueden utilizar para la detección de características de figuras mitóticas, células epiteliales o estructuras específicas de tejido, como nódulos de cáncer de pulmón, glomérulos o vasos, o la estimación de biomarcadores moleculares como genes mutados, carga mutacional tumoral o cambios transcripcionales. [22] [23] [24] Esto tiene el potencial de reducir el error humano y mejorar la precisión de los diagnósticos. Los portaobjetos digitales se pueden compartir fácilmente, lo que aumenta el potencial de uso de datos en la educación, así como en las consultas entre patólogos expertos. Las imágenes multiplexadas (tinción de múltiples marcadores en la misma diapositiva) permiten a los patólogos comprender una distribución más fina de los tipos de células y sus ubicaciones relativas. [25] Una comprensión de la distribución espacial de los tipos de células o marcadores y las vías que expresan, puede permitir la prescripción de medicamentos específicos o construir terapias combinatorias de manera personalizada.

Véase también

Referencias

  1. ^ Pantanowitz L (2018). "Veinte años de patología digital: una visión general del camino recorrido, lo que se avecina y el surgimiento de archivos independientes del proveedor". Journal of Pathology Informatics . 9 : 40. doi : 10.4103/jpi.jpi_69_18 . PMC  6289005 . PMID  30607307.
  2. ^ "Imágenes de portaobjetos completo | MBF Bioscience" www.mbfbioscience.com . Consultado el 2 de diciembre de 2019 .
  3. ^ Saillard, Charlie; Dubois, Rémy; Tchita, Oussama; Loiseau, Nicolás; García, Thierry; Adriansen, Aurélie; Carpentier, Séverine; Reyre, Joelle; Enea, Diana; von Loga, Katharina; Kamoun, Aurélie; Rossat, Stéphane; Wiscart, Corentin; Sefta, Meriem; Auffret, Michael (6 de noviembre de 2023). "Validación de MSIntuit como herramienta de preselección basada en IA para la detección de MSI a partir de portaobjetos de histología de cáncer colorrectal". Comunicaciones de la naturaleza . 14 (1): 6695. doi : 10.1038/s41467-023-42453-6. ISSN  2041-1723. PMC 10628260 . Número de modelo:  PMID37932267. 
  4. ^ Ferreira, R; Moon, J; Humphries, J; Sussman, A; Saltz, J; Miller, R; Demarzo, A (1997). "El microscopio virtual". Revista rumana de morfología y embriología . 45 : 449–453. PMC 2233368. PMID  9357666 . 
  5. ^ Hamilton, Peter W.; Wang, Yinhai; McCullough, Stephen J.; Sussman (2012). "Microscopía virtual y patología digital en la formación y la educación". APMIS . 120 (4): 305–315. doi : 10.1111/j.1600-0463.2011.02869.x . PMID  22429213. S2CID  20599493.
  6. ^ "Informática, patología digital y computacional".
  7. ^ Evans AJ, Salama ME, Henricks WH, Pantanowitz L (2017). "Implementación de imágenes de portaobjetos completos para fines clínicos: cuestiones a considerar desde la perspectiva de los primeros usuarios". Arch Pathol Lab Med . 141 (7): 944–959. doi : 10.5858/arpa.2016-0074-OA . PMID  28440660.
  8. ^ OpenSeadragon en GitHub
  9. ^ QuPath en GitHub
  10. ^ Sitio web de OpenSlide
  11. ^ Kaibo Wang; Yin Huai; Rubao Lee; Fusheng Wang; Xiaodong Zhang; Joel H. Saltz (2012). "Accelerating Pathology Image Data Cross-Comparison on CPU-GPU Hybrid Systems" (Aceleración de la comparación cruzada de datos de imágenes de patología en sistemas híbridos CPU-GPU) . Actas de la Fundación VLDB. Actas de la Fundación VLDB. Conferencia internacional sobre bases de datos muy grandes . Vol. 5, núm. 11. págs. 1543–1554. PMC 3553551. PMID  23355955 . 
  12. ^ "Primitivas de rendimiento geométrico (GPP)". NVIDIA Developer .
  13. ^ "Carta a Kaibo Wang" (PDF) .
  14. ^ Lourenço BC, Guimarães-Teixeira C, Flores BCT, Miranda-Gonçalves V, Guimarães R, Cantante M, et al. (2022). "La expresión de Ki67 y LSD1 en tumores de células germinales testiculares no está asociada con el resultado del paciente: investigación mediante un algoritmo de patología digital". Vida . 12 (2): 264. doi : 10.3390/life12020264 . PMC 8875543 . PMID  35207551. 
    - Figura 2 - disponible bajo licencia: Creative Commons Attribution 4.0 International
  15. ^ Cruz-Roa A, Gilmore H, Basavanhally A, Feldman M, Ganesan S, Shih NNC, et al. (2017). "Detección precisa y reproducible de cáncer de mama invasivo en imágenes de portaobjetos completo: un enfoque de aprendizaje profundo para cuantificar la extensión del tumor". Sci Rep . 7 : 46450. doi :10.1038/srep46450. PMC 5394452. PMID  28418027 . 
    "Esta obra está bajo una Licencia Creative Commons Atribución 4.0 Internacional."
  16. ^ "La FDA permite la comercialización del primer sistema de obtención de imágenes de portaobjetos completo para patología digital" (Nota de prensa). FDA . 12 de abril de 2017 . Consultado el 24 de mayo de 2017 .
  17. ^ Mukhopadhyay, Sanjay; Feldman, Michael; Abels, Esther (2017). "Imágenes de portaobjetos completo versus microscopía para el diagnóstico primario en patología quirúrgica: un estudio multicéntrico, aleatorizado y ciego de no inferioridad de 1992 casos (estudio fundamental)". American Journal of Surgical Pathology . 42 (1): 39–52. doi :10.1097/PAS.0000000000000948. PMC 5737464 . PMID  28961557. 
  18. ^ Siegel, Gabriel; Regelman, Dan; Maronpot, Robert; Rosenstock, Moti; Hayashi, Shim-mo; Nyska, Abraham (octubre de 2018). "Utilización de un nuevo sistema de telepatología en estudios preclínicos y revisión por pares". Revista de patología toxicológica . 31 (4): 315–319. doi :10.1293/tox.2018-0032. PMC 6206289 . PMID  30393436. 
  19. ^ "Cómo construir un caso de negocio para justificar la inversión en patología digital". Sectra Medical Systems . Consultado el 26 de abril de 2015 .
  20. ^ Bertram, Christof A; Stathonikos, Nikolas; Donovan, Taryn A; Bartel, Alexander; Fuchs-Baumgartinger, Andrea; Lipnik, Karoline; can Diest, Paul J; Bonsembiante, Federico; Klopfleisch, Robert (septiembre de 2021). "Validación de la microscopía digital: revisión de los métodos de validación y fuentes de sesgo". Patología veterinaria . 59 (1): 26–38. doi :10.1177/03009858211040476. PMC 8761960 . PMID  34433345. 
  21. ^ Evans, Andrew J; Brown, Richard; Bui, Marilyn (2021). "Validación de sistemas de obtención de imágenes de portaobjetos completos con fines diagnósticos en patología: actualización de las directrices del Colegio de Patólogos Estadounidenses en colaboración con la Sociedad Estadounidense de Patología Clínica y la Asociación de Informática Patológica". Arch Pathol Lab Med . 146 (4): 440–450. doi : 10.5858/arpa.2020-0723-CP . PMID  34003251.
  22. ^ Aeffner, Famke; Zarella, Mark D.; Buchbinder, Nathan; Bui, Marilyn M.; Goodman, Matthew R.; Hartman, Douglas J.; Lujan, Giovanni M.; Molani, Mariam A.; Parwani, Anil V.; Lillard, Kate; Turner, Oliver C. (8 de marzo de 2019). "Introducción al análisis de imágenes digitales en imágenes de portaobjetos completos: un documento técnico de la Asociación de Patología Digital". Revista de Informática Patológica . 10 : 9. doi : 10.4103/jpi.jpi_82_18 . ISSN  2229-5089. PMC 6437786 . PMID  30984469. 
  23. ^ Jain, Mika S.; Massoud, Tarik F. (2020). "Predicción de la carga mutacional tumoral a partir de imágenes histopatológicas utilizando aprendizaje profundo multiescala". Nature Machine Intelligence . 2 (6): 356–362. doi :10.1038/s42256-020-0190-5. ISSN  2522-5839. S2CID  220510782.
  24. ^ Serag, Ahmed; Ion-Margineanu, Adrian; Qureshi, Hammad; McMillan, Ryan; Saint Martin, Marie-Judith; Diamond, Jim; O'Reilly, Paul; Hamilton, Peter (2019). "IA traslacional y aprendizaje profundo en patología diagnóstica". Frontiers in Medicine . 6 : 185. doi : 10.3389/fmed.2019.00185 . ISSN  2296-858X. PMC 6779702 . PMID  31632973. 
  25. ^ Nirmal, Ajit J.; Maliga, Zoltan; Vallius, Tuulia; Quattrochi, Brian; Chen, Alyce A.; Jacobson, Connor A.; Pelletier, Roxanne J.; Yapp, Clarence; Arias-Camison, Raquel; Chen, Yu-An; Lian, Christine G. (11 de abril de 2022). "El paisaje espacial de la progresión y la inmunoedición en el melanoma primario con resolución de célula única". Cancer Discovery . 12 (6): 1518–1541. doi :10.1158/2159-8290.CD-21-1357. ISSN  2159-8290. PMC 9167783 . PMID  35404441. 

Lectura adicional