Segmentación por Regiones de Metástasis Linfáticas en Imágenes de Sección Completa de Cáncer Colorrectal: Un Estudio Clínico Piloto.

El cáncer colorrectal es un tipo de neoplasia que se origina en las células que recubren el colon o el recto, que son partes del intestino grueso en la parte inferior del sistema digestivo. Es el tercer cáncer más común a nivel mundial, y afecta tanto a hombres como a mujeres, con una estimación de 1,9 millones de nuevos casos y 935.000 muertes solo en 2020, según la Organización Mundial de la Salud [^[1]].

El “Conjunto de datos para la elaboración de informes histopatológicos del cáncer colorrectal” del Royal College of Pathologists exige la extirpación de todos los ganglios linfáticos regionales y recomienda una evaluación exhaustiva de un mínimo de 12 ganglios para la estadificación del cáncer [^[2]]. Este enfoque es fundamental para una correcta predicción del pronóstico, ya que la afectación de los ganglios linfáticos es un determinante importante de la supervivencia e influye en las decisiones de tratamiento postoperatorio [^[3], ^[4]]. Sin embargo, la evaluación exhaustiva de los ganglios linfáticos supone una carga de trabajo considerable para los patólogos, ya que cada ganglio debe examinarse meticulosamente al microscopio para identificar cualquier posible afectación metastásica, lo que puede ser tanto laborioso como difícil debido al tamaño y los cambios sutiles de las metástasis tempranas.

Al examinar los ganglios linfáticos de pacientes con cáncer colorrectal, los patólogos examinan el tamaño, la forma y el color de los ganglios linfáticos e identifican cambios patológicos, como la presencia de células tumorales singulares, lo que a menudo requiere una tinción inmunohistoquímica para una identificación precisa. Las células cancerosas metastásicas del cáncer colorrectal en los ganglios linfáticos se caracterizan por características morfológicas distintas, como un tamaño y una forma irregulares, núcleos más grandes e hipercromáticos, un aumento de la división celular, estructuras tisulares alteradas y niveles elevados de muerte celular. No identificar las metástasis de los ganglios linfáticos en pacientes con cáncer colorrectal plantea riesgos importantes, incluido un subdiagnóstico de la enfermedad, lo que puede conducir a estrategias de tratamiento subóptimas [^[5], ^[6], ^[7], ^[8], ^[9]].

La integración de la inteligencia artificial (IA) en el campo de la patología revoluciona el análisis de los ganglios linfáticos en pacientes con cáncer colorrectal, reduciendo significativamente el tiempo de la investigación de laboratorio. El aprendizaje automático puede mejorar la sensibilidad y la especificidad de la evaluación de los ganglios linfáticos, contribuyendo así a una estadificación más precisa y a una mejora de las estrategias de manejo del paciente. Varios estudios han abordado el desafío de las metástasis de los ganglios linfáticos en el cáncer colorrectal, centrándose inicialmente en la predicción del potencial metastásico en función de la histología del tumor primario [^[10], ^[11], ^[12], ^[13], ^[14]]. Sin embargo, este método no es del todo fiable, ya que pueden producirse metástasis en casos en los que el tumor primario parece menos agresivo. Cabe destacar que un metaanálisis reciente no mostró correlaciones fuertes entre muchas características histopatológicas (invasión linfovascular, profundidad de la lesión, necrosis, etc.) y el estado de metástasis de los ganglios linfáticos [^[15]]. Como resultado, la investigación ha evolucionado hacia la detección de regiones de los ganglios linfáticos que presentan características morfológicas de metástasis [^[16], ^[17], ^[18]]. Las limitaciones actuales de los modelos incluyen una disminución de la precisión en conjuntos de datos externos y resultados falsos negativos ocasionales para micrometástasis, que representan los casos más difíciles para los patólogos [^[10], ^[14], ^[17]].

El futuro de la asistencia de la IA en la patología radica en la creación de experiencias de usuario fluidas e intuitivas que se integren a la perfección en la rutina del patólogo. Este enfoque podría transformar la forma en que trabajan los patólogos, permitiéndoles revisar más diapositivas con precisión en el mismo período de tiempo y centrar su experiencia en tareas más complejas, lo que contribuiría a mejorar los resultados de los pacientes.

Nuestro proyecto tiene como objetivo desarrollar soluciones orientadas a la práctica para los médicos que puedan integrarse fácilmente en los sistemas de información existentes. Utilizamos la IA para detectar metástasis del cáncer colorrectal, con el fin de optimizar el flujo de trabajo de los patólogos. Para proporcionar un análisis sólido de las imágenes de diapositivas completas (WSI) de las diapositivas de cáncer colorrectal, desarrollamos una canalización de clasificación-segmentación, la validamos con conjuntos de datos de dos instituciones independientes y obtuvimos comentarios de los patólogos que participaron en un estudio piloto.

Métodos

Preparación del conjunto de datos

Para entrenar el modelo, se recogieron 108 diapositivas histológicas de ganglios linfáticos en el Hospital Oncológico de la Ciudad de Moscú n.º 62 (Moscú, Rusia). Este conjunto incluía tanto diapositivas con metástasis de cáncer colorrectal (91 muestras positivas) como diapositivas sin metástasis (17 muestras negativas). Criterios de inclusión: (1) edad del paciente superior a 18 años; (2) diagnóstico confirmado de cáncer colorrectal. Criterios de exclusión: (1) presencia de otras enfermedades cancerosas diagnosticadas; (2) presencia de artefactos en la imagen. Las diapositivas se escanearon en un Hamamatsu NanoZoomer S360 en modo de ampliación de ×40. El tejido tumoral se anotó en QuPath versión 0.3.0 por tres patólogos con al menos 4 años de experiencia. Las anotaciones de cada diapositiva se validaron posteriormente por un patólogo sénior con 14 años de experiencia práctica. Este conjunto de datos de 108 archivos WSI .ndpi se denominó conjunto de datos de entrenamiento. El conjunto de datos se dividió en conjuntos de entrenamiento (n = 78), validación (n = 15) y prueba (n = 15) para garantizar un entrenamiento completo, una validación sólida y una evaluación precisa del rendimiento del modelo (Tabla 1).

Se utilizó un conjunto de datos de validación para evaluar aún más el rendimiento del modelo de clasificación en diferentes condiciones. Este conjunto de datos se recogió de forma prospectiva a partir de la carga de trabajo rutinaria del Hospital Oncológico de la Ciudad de Moscú n.º 62 (Moscú, Rusia), cumpliendo los mismos criterios de selección rigurosos para garantizar la coherencia con los conjuntos de datos descritos anteriormente. Constaba de 514 WSI, cada una de ellas anotada con etiquetas binarias que indicaban la presencia o ausencia de metástasis de cáncer colorrectal. Estas diapositivas también se escanearon con un Hamamatsu NanoZoomer S360 con una ampliación de ×40. No se realizaron anotaciones de expertos de las regiones tumorales ni máscaras para las WSI de este conjunto de datos.

El conjunto de datos de validación incluía 102 diapositivas con metástasis y 412 diapositivas sin tejido tumoral. Esta distribución reflejaba la carga de trabajo semanal de diapositivas de cáncer colorrectal en el Departamento de Patología y permitía una evaluación exhaustiva de la sensibilidad y la especificidad del modelo de clasificación. El elevado número de muestras negativas en el conjunto de datos suponía un desafío para el modelo de clasificación, poniendo a prueba su capacidad para identificar correctamente las diapositivas sin metástasis y reducir el número de predicciones falsas positivas. Esta configuración fue crucial para validar la utilidad práctica de la clasificación en entornos clínicos, donde la precisión en la identificación de casos tanto positivos como negativos impacta directamente en los resultados de los pacientes y la planificación del tratamiento.

Las diapositivas para un conjunto de datos de validación adicional se recogieron en un archivo histológico de la Universidad Sechenov (Moscú, Rusia) siguiendo los mismos criterios de selección. El propósito de la evaluación de las diapositivas en este conjunto de datos fue evaluar la precisión del modelo en archivos de diferentes modalidades. Este conjunto de datos comprendía 40 WSI .svs de ganglios linfáticos con metástasis de cáncer colorrectal. 40 diapositivas se escanearon en un Leica Aperio AT2 con una ampliación de ×40. El tejido tumoral fue anotado por dos patólogos con al menos 2 años de experiencia en QuPath versión 0.4.3. Las anotaciones de cada diapositiva se validaron posteriormente por un patólogo sénior con 16 años de experiencia práctica.

Arquitectura del modelo de clasificación y proceso de entrenamiento

Se eligió la arquitectura GoogleNet para la clasificación debido a su capacidad para capturar patrones de imagen a diferentes ampliaciones y obtener rápidamente inferencias del modelo. Para el modelo preentrenado, se utilizó la entropía cruzada binaria (BCE) como función de pérdida. La tasa de aprendizaje inicial se fijó en 1e-4, que se adaptó automáticamente durante el proceso de entrenamiento utilizando el optimizador Adam.

Las WSI se redujeron a la mitad y luego se dividieron en mosaicos de 1024 × 1024 con una superposición del 20 %. A cada mosaico se le asignó entonces una región con una máscara. Si la anotación de un patólogo en una determinada área era de más de 50 píxeles, todo el mosaico se marcó como "tumor". Las pruebas se realizaron en 15 diapositivas que no se incluyeron en el conjunto de entrenamiento.

Se aplicaron varias aumentaciones (Rotar, VoltearHorizontal, VoltearVertical, RotarAleatorio90, Transponer, TransformaciónElástica, CoarseDropout, HueSaturationValue, RandomBrightnessContrast, RGBShift, Normalización) para aumentar la muestra de datos modificando las imágenes existentes. GoogleNet se entrenó durante 20 épocas con un tamaño de lote de 4.

Para determinar el umbral óptimo para la clasificación binaria, realizamos una búsqueda en cuadrícula en un rango de valores de 0,0 a 1,0 en incrementos de 0,01 utilizando el conjunto de datos de validación. Evaluamos el rendimiento utilizando la puntuación F1, la especificidad y la sensibilidad, y observamos que, si bien los umbrales óptimos variaban ligeramente entre los pliegues o los experimentos, el rendimiento se estabilizaba cerca del umbral predeterminado de 0,5. Por lo tanto, para garantizar la coherencia y evitar el sobreajuste, conservamos el umbral de 0,5, que produjo resultados sólidos sin degradar el rendimiento por diapositiva.

Algunos errores en la clasificación se asociaron con artefactos en forma de pliegues de tejido que se formaron durante la preparación del material (en particular, durante la microtomicía) para el examen histológico. La red neuronal identificó estos artefactos como áreas tumorales. Dado que estos artefactos tenían patrones de color evidentes, pudimos filtrarlos en la etapa de preprocesamiento de la imagen utilizando un umbral en los valores de los canales de color. Para evitar los errores que se producen debido a una coloración insuficiente de las secciones de tejido, el conjunto de datos de entrenamiento incluyó 10 WSI con una coloración insuficiente.

Después del entrenamiento y la revalidación, se calcularon la precisión, la sensibilidad y la especificidad, y los resultados se presentaron en forma de una matriz de confusión.

Arquitectura del modelo de segmentación y proceso de entrenamiento

Utilizamos la arquitectura DeepLabV3+ para la segmentación de imágenes histológicas por las siguientes razones: (1) permite capturar características y patrones más complejos en imágenes médicas; (2) tiene una alta precisión de segmentación en objetos pequeños, lo que es importante en tareas de segmentación médica donde los focos tumorales aislados y las características finas del tejido pueden ser importantes para un diagnóstico y tratamiento correctos; (3) es eficaz en entornos con recursos limitados, lo que suele ser el caso en entornos sanitarios.

La función de pérdida en la tarea de segmentación también se realizó mediante BCE con el optimizador Adam. La tasa de aprendizaje inicial también tomó el valor de 1e-4 y fue modificada automáticamente por el optimizador durante el proceso de aprendizaje.

Para entrenar el modelo de segmentación, las diapositivas se dividieron primero aleatoriamente en conjuntos de datos de entrenamiento y prueba, con 78 diapositivas designadas para el entrenamiento y 15 para la prueba. Después de esta división, las diapositivas se segmentaron en mosaicos de 2048 × 2048 píxeles con una superposición del 20 %. También se utilizaron aumentaciones (Rotar, VoltearHorizontal, VoltearVertical, RotarAleatorio90, Transponer, TransformaciónElástica, DistorsiónDeCuadrícula, DistorsiónÓptica, CoarseDropout, CLAHE, GammaAleatoria, DesenfoqueGaussiano, HueSaturationValue, RandomBrightnessContrast, Normalización) para generar datos para el conjunto de datos de entrenamiento. DeepLabV3+ se entrenó durante 20 épocas con un tamaño de lote de 4.

La metástasis de la segmentación se cuantificó utilizando 2 métricas: el coeficiente de correlación de Matthews (MCC) y la puntuación de Dice. El MCC entre la verdad fundamental y las etiquetas segmentadas se calculó de la siguiente manera Ecuación 1: donde TP es el número de verdaderos positivos, TN es el número de verdaderos negativos, FP es el número de falsos positivos y FN es el número de falsos negativos. El MCC oscila entre 1 y +1, donde +1 representa una predicción perfecta, 0 una predicción aleatoria promedio y 1 una predicción inversa, en comparación con la verdad fundamental.

El puntaje de Dice se utiliza para evaluar la similitud entre una máscara de segmentación predicha y la máscara de segmentación de referencia. El puntaje de Dice varía de 0, lo que indica que no hay superposición, a 1, lo que indica una superposición perfecta (Ecuación 2), donde TP es el número de verdaderos positivos, TN es el número de verdaderos negativos, FP es el número de falsos positivos y FN es el número de falsos negativos. Los rangos esperados del puntaje de Dice para un puntaje bueno, aceptable y malo podrían ser > 0,8, 0,6–0,8 y < 0,6, respectivamente. Para el análisis estadístico, se utilizó una prueba t de Student de una muestra para evaluar si el puntaje de Dice medio es estadísticamente diferente del umbral (0,7). El cálculo se realizó utilizando la fórmula estándar ajustada para la desviación estándar de la muestra. Se calculó un valor de p de dos colas basado en la distribución de Student con (n - 1) grados de libertad. Se utilizó Python, junto con las bibliotecas NumPy y SciPy, para estos cálculos.

Calculamos métricas a partir de 30 archivos .ndpi y 40 archivos .svs de imágenes de porta de tejido (WSI) con máscaras de anotación de expertos que no se utilizaron previamente en el entrenamiento. Esto se hizo para evaluar el rendimiento del modelo en imágenes que no había encontrado antes y para demostrar su capacidad de generalizar y funcionar en condiciones nuevas.

Evaluación de la experiencia de los expertos con el modelo

Creamos un proyecto en línea dentro del sistema de información médica Axon (versión 1.0; Synapse Tech, Moscú, Rusia), que contenía tres casos con imágenes de porta de tejido (WSI) de ganglios linfáticos de pacientes con cáncer colorrectal. El caso I incluyó cuatro imágenes de porta de tejido (WSI) con ganglios linfáticos metastásicos, que sirvieron como introducción a la interfaz del sistema. El caso II presentó 15 imágenes de porta de tejido (WSI), de las cuales 8 contenían metástasis: 4 con pequeños focos metastásicos y 4 con metástasis más prominentes. Este caso no incluyó ninguna máscara generada por el modelo. El caso III también presentó 15 imágenes de porta de tejido (WSI) en una distribución similar (7 claras, 4 con pequeñas metástasis y 4 con metástasis notables). Las muestras del caso III se procesaron utilizando un modelo que generó máscaras semitransparentes superpuestas sobre el tejido tumoral.

La validación experta se realizó entre patólogos con un mínimo de 4 años de experiencia en el manejo de materiales operatorios, incluidos los casos que involucran cáncer colorrectal. Ambos patólogos eran del Centro de Investigación de Cirugía B.V. Petrovsky (Moscú, Rusia). Cada tarea se grabó en video, lo que permitió determinar con precisión el tiempo de evaluación para cada imagen de porta de tejido (WSI). En todos los casos, se accedió al sistema en línea mediante Google Chrome (versión 123.0.6312.105). El análisis estadístico se realizó con GraphPad Prism v. 9.00 (GraphPad Software Inc.). Las diferencias entre grupos se analizaron utilizando la prueba de Kruskal-Wallis seguida de la prueba de comparación múltiple de Dunn. Los resultados se presentaron como gráficos de dispersión. El nivel de significancia de las diferencias p se fijó en un valor < 0,05. No se identificaron diferencias estadísticamente significativas entre las evaluaciones tradicionales y las evaluaciones asistidas por IA.

Preparación del conjunto de datos

Para entrenar el modelo, se recopilaron 108 porta de tejido histológicos de ganglios linfáticos en el Hospital Oncológico de la Ciudad de Moscú No. 62 (Moscú, Rusia). Este conjunto incluyó tanto porta de tejido con metástasis de cáncer colorrectal (91 muestras positivas) como porta de tejido sin metástasis (17 muestras negativas). Criterios de inclusión: (1) edad del paciente mayor de 18 años; (2) diagnóstico confirmado de cáncer colorrectal. Criterios de exclusión: (1) presencia de otras enfermedades cancerosas diagnosticadas; (2) presencia de artefactos en la imagen. Las porta de tejido se escanearon en un Hamamatsu NanoZoomer S360 en modo de aumento de ×40. El tejido tumoral se anotó en QuPath versión 0.3.0 por tres patólogos con al menos 4 años de experiencia. Las anotaciones de cada porta de tejido se validaron posteriormente por un patólogo sénior con 14 años de experiencia práctica. Este conjunto de datos de 108 archivos .ndpi de imágenes de porta de tejido (WSI) se denominó conjunto de datos de entrenamiento. El conjunto de datos se dividió en conjuntos de entrenamiento (n = 78), validación (n = 15) y prueba (n = 15) para garantizar un entrenamiento completo, una validación sólida y una evaluación precisa del rendimiento del modelo (Tabla 1).

Se utilizó un conjunto de datos de validación para evaluar aún más el rendimiento del modelo de clasificación en diferentes condiciones. Este conjunto de datos se recopiló de forma prospectiva a partir de la carga de trabajo rutinaria del Hospital Oncológico de la Ciudad de Moscú No. 62 (Moscú, Rusia), cumpliendo con los mismos criterios de selección rigurosos para garantizar la coherencia con los conjuntos de datos descritos anteriormente. Constaba de 514 imágenes de porta de tejido (WSI), cada una anotada con etiquetas binarias que indicaban la presencia o ausencia de metástasis de cáncer colorrectal. Estas porta de tejido también se escanearon con un Hamamatsu NanoZoomer S360 con un aumento de ×40. No hubo anotaciones de expertos de regiones tumorales o máscaras creadas para las imágenes de porta de tejido (WSI) de este conjunto de datos.

El conjunto de datos de validación incluyó 102 porta de tejido con metástasis y 412 porta de tejido sin tejido tumoral. Esta distribución reflejó la carga de trabajo semanal de porta de tejido de cáncer colorrectal en el Departamento de Patología y permitió una evaluación exhaustiva de la sensibilidad y la especificidad del modelo de clasificación. El gran número de muestras negativas en el conjunto de datos representó un desafío para el modelo de clasificación, poniendo a prueba su capacidad para identificar correctamente las porta de tejido sin metástasis y reducir el número de predicciones de falsos positivos. Esta configuración fue crucial para validar la utilidad práctica de la clasificación en entornos clínicos, donde la precisión en la identificación de casos tanto positivos como negativos impacta directamente en los resultados del paciente y la planificación del tratamiento.

Las porta de tejido para un conjunto de datos de validación adicional se recopilaron en un archivo histológico de la Universidad Sechenov (Moscú, Rusia) siguiendo los mismos criterios de selección. El propósito de evaluar las porta de tejido en este conjunto de datos fue evaluar la precisión del modelo en archivos de diferentes modalidades. Este conjunto de datos comprendió 40 imágenes de porta de tejido (WSI) .svs de ganglios linfáticos con metástasis de cáncer colorrectal. 40 porta de tejido se escanearon en un Leica Aperio AT2 en modo de aumento de ×40. El tejido tumoral fue anotado por dos patólogos con al menos 2 años de experiencia en QuPath versión 0.4.3. Las anotaciones de cada porta de tejido se validaron posteriormente por un patólogo sénior con 16 años de experiencia práctica.

Arquitectura del modelo de clasificación y proceso de entrenamiento

Se eligió la arquitectura GoogleNet para la clasificación debido a su capacidad para capturar patrones de imagen a diferentes aumentos y obtener rápidamente la inferencia del modelo. Para el modelo preentrenado, se utilizó la entropía cruzada binaria (BCE) como función de pérdida. La tasa de aprendizaje inicial se estableció en 1e-4, que se adaptó automáticamente durante el proceso de entrenamiento utilizando el optimizador Adam.

Las imágenes de porta de tejido (WSI) se redujeron de tamaño en un factor de 2 y luego se dividieron en mosaicos de 1024 × 1024 con una superposición del 20%. A cada mosaico se le asignó una región con una máscara. Si la anotación de un patólogo en un área determinada era de más de 50 píxeles de tamaño, todo el mosaico se marcó como "tumor". Las pruebas se realizaron en 15 porta de tejido que no se incluyeron en el conjunto de entrenamiento.

Se aplicaron varias aumentaciones (Rotar, VoltearHorizontal, VoltearVertical, RotarAleatorio90, Transponer, TransformaciónElástica, CoarseDropout, HueSaturationValue, RandomBrightnessContrast, RGBShift, Normalización) para aumentar el tamaño de la muestra de datos modificando las imágenes existentes. GoogleNet se entrenó durante 20 épocas con un tamaño de lote de 4.

Para determinar el umbral óptimo para la clasificación binaria, realizamos una búsqueda en cuadrícula en un rango de valores de 0,0 a 1,0 en incrementos de 0,01 utilizando el conjunto de datos de validación. Evaluamos el rendimiento utilizando el puntaje F1, la especificidad y la sensibilidad, y observamos que, si bien los umbrales óptimos variaron ligeramente entre los pliegues o experimentos, el rendimiento se estabilizó cerca del umbral predeterminado de 0,5. Por lo tanto, para garantizar la coherencia y evitar el sobreajuste, conservamos el umbral de 0,5, que produjo resultados sólidos sin degradar el rendimiento por porta de tejido.

Algunos errores en la clasificación se asociaron con artefactos en forma de pliegues de tejido que se formaron durante la preparación del material (particularmente, durante la microtoma) para el examen histológico. La red neuronal identificó estos artefactos como áreas tumorales. Dado que estos artefactos tenían patrones de color evidentes, pudimos filtrarlos en la etapa de preprocesamiento de la imagen utilizando un umbral en los valores de los canales de color. Para evitar los errores que se producen debido a la coloración insuficiente de las secciones de tejido, el conjunto de datos de entrenamiento incluyó 10 imágenes de porta de tejido (WSI) con coloración insuficiente.

Después del entrenamiento y la revalidación, se calcularon la precisión, la sensibilidad y la especificidad, y los resultados se presentaron en forma de una matriz de confusión.

Arquitectura del modelo de segmentación y proceso de entrenamiento

Utilizamos la arquitectura DeepLabV3+ para la segmentación de imágenes histológicas por las siguientes razones: (1) permite capturar características y patrones más complejos en imágenes médicas; (2) tiene una alta precisión de segmentación en objetos pequeños, lo que es importante en tareas de segmentación médica donde los focos tumorales aislados y las características finas del tejido pueden ser importantes para un diagnóstico y tratamiento correctos; (3) es eficaz en entornos con recursos limitados, lo que a menudo es el caso en entornos de atención médica.

La función de pérdida en la tarea de segmentación también se realizó mediante BCE con el optimizador Adam. La tasa de aprendizaje inicial también tomó el valor de 1e-4 y se modificó automáticamente por el optimizador durante el proceso de aprendizaje.

Para entrenar el modelo de segmentación, las porta de tejido se dividieron primero aleatoriamente en conjuntos de datos de entrenamiento y prueba, con 78 porta de tejido designadas para el entrenamiento y 15 para la prueba. Después de esta división, las porta de tejido se segmentaron en mosaicos de 2048 × 2048 píxeles con una superposición del 20%. También se utilizaron aumentaciones (Rotar, VoltearHorizontal, VoltearVertical, RotarAleatorio90, Transponer, TransformaciónElástica, DistorsiónDeCuadrícula, DistorsiónÓptica, CoarseDropout, CLAHE, GammaAleatorio, DesenfoqueGaussiano, HueSaturationValue, RandomBrightnessContrast, Normalización) para generar datos para el conjunto de datos de entrenamiento. DeepLabV3+ se entrenó durante 20 épocas con un tamaño de lote de 4.

La segmentación de metástasis se cuantificó utilizando 2 métricas: el coeficiente de correlación de Matthews (MCC) y el puntaje de Dice. El MCC entre la verdad fundamental y las etiquetas segmentadas se calculó de la siguiente manera (Ecuación 1), donde TP es el número de verdaderos positivos, TN es el número de verdaderos negativos, FP es el número de falsos positivos y FN es el número de falsos negativos. MCC varía entre 1 y +1, donde +1 representa una predicción perfecta, 0 una predicción aleatoria promedio y 1 una predicción inversa, en comparación con la verdad fundamental.

El puntaje de Dice se utiliza para evaluar la similitud entre una máscara de segmentación predicha y la máscara de segmentación de referencia. El puntaje de Dice varía de 0, lo que indica que no hay superposición, a 1, lo que indica una superposición perfecta (Ecuación 2), donde TP es el número de verdaderos positivos, TN es el número de verdaderos negativos, FP es el número de falsos positivos y FN es el número de falsos negativos. Los rangos esperados del puntaje de Dice para un puntaje bueno, aceptable y malo podrían ser > 0,8, 0,6–0,8 y < 0,6, respectivamente. Para el análisis estadístico, se utilizó una prueba t de Student de una muestra para evaluar si el puntaje de Dice medio es estadísticamente diferente del umbral (0,7). El cálculo se realizó utilizando la fórmula estándar ajustada para la desviación estándar de la muestra. Se calculó un valor de p de dos colas basado en la distribución de Student con (n - 1) grados de libertad. Se utilizó Python, junto con las bibliotecas NumPy y SciPy, para estos cálculos.

Calculamos métricas a partir de 30 archivos .ndpi y 40 archivos .svs de imágenes de porta de tejido (WSI) con máscaras de anotación de expertos que no se utilizaron previamente en el entrenamiento. Esto se hizo para evaluar el rendimiento del modelo en imágenes que no había encontrado antes y para demostrar su capacidad de generalizar y funcionar en condiciones nuevas.

Evaluación de la experiencia de los expertos con el modelo

Hemos creado un proyecto en línea dentro del sistema de información médica Axon (versión 1.0; Synapse Tech, Moscú, Rusia) que contenía tres casos con imágenes de alta resolución (WSI) de ganglios linfáticos de pacientes con cáncer colorrectal. El Caso I incluyó cuatro WSI con ganglios linfáticos metastásicos, sirviendo como introducción a la interfaz del sistema. El Caso II presentó 15 WSI, de las cuales 8 contenían metástasis: 4 con pequeños focos metastásicos y 4 con metástasis más prominentes. Este caso no incluyó ninguna máscara generada por el modelo. El Caso III también presentó 15 WSI en una distribución similar (7 claras, 4 con pequeñas metástasis y 4 con metástasis notables). Las muestras del Caso III se procesaron utilizando un modelo que generó máscaras semitransparentes superpuestas sobre el tejido tumoral.

Se realizó una validación experta entre patólogos con un mínimo de 4 años de experiencia en el manejo de material quirúrgico, incluidos casos que involucran cáncer colorrectal. Ambos patólogos eran del Centro de Investigación Quirúrgica Ruso B.V. Petrovsky (Moscú, Rusia). Cada tarea se grabó en video, lo que permitió una determinación precisa del tiempo de evaluación para cada WSI. En todos los casos, se accedió al sistema en línea utilizando Google Chrome (versión 123.0.6312.105). El análisis estadístico se realizó con GraphPad Prism v. 9.00 (GraphPad Software Inc.). Las diferencias intergrupales se analizaron utilizando la prueba de Kruskal-Wallis seguida de la prueba de comparación múltiple de Dunn. Los resultados se presentaron como gráficos de dispersión. El nivel de significancia de las diferencias p se fijó en un valor < 0.05. No se identificaron diferencias estadísticamente significativas entre las evaluaciones tradicionales y las evaluaciones asistidas por IA.

Resultados

Rendimiento del modelo de clasificación

El modelo clasificó correctamente todas las WSI de ganglios linfáticos con metástasis. Sin embargo, clasificó erróneamente 27 casos negativos como positivos (Figura 1).

Precisión de la clasificación = (102 + 385)/(102 + 0 + 385 + 27) = 94.75%

Exhaustividad de la clasificación = 102/(102 + 0) = 100%

Especificidad de la clasificación = 385/(385 + 27) = 93.45%

El modelo de clasificación mostró un rendimiento perfecto con una exhaustividad del 100% y una especificidad del 93.45%. Los resultados del modelo de clasificación se visualizaron en mapas de calor de imágenes de toda la lámina. Los mapas de calor ayudaron a identificar las regiones tumorales y fueron sensibles tanto a las metástasis pequeñas como a las grandes. El modelo de clasificación resaltó las áreas con metástasis y los tejidos circundantes, lo que fue útil para optimizar los datos de entrada para el modelo de segmentación en la secuencia de clasificación-segmentación (Figura 2).

Rendimiento del modelo de segmentación

Evaluamos el rendimiento de nuestro modelo y calculamos las métricas relevantes para 70 láminas con metástasis. El coeficiente de correlación de Matthews (MCC) del modelo de segmentación (Tabla 2) y los puntajes de Dice (Tabla 3) se calcularon por separado para las WSI en formato .svs y .ndpi, y para un conjunto de datos unificado.

Las métricas obtenidas nos permitieron realizar análisis estadísticos para evaluar el rendimiento de un modelo de clasificación como parte de una secuencia de clasificación-segmentación.

Los puntajes de Dice del modelo de segmentación fueron de 0.841 ± 0.092 para el conjunto de datos .ndpi y de 0.801 ± 0.112 para .svs, lo que indicó solo una pérdida limitada de la eficacia del modelo en archivos de diferentes formatos.

En ambos casos (MCC y Dice), rechazamos con confianza la hipótesis nula, lo que indica que el rendimiento del modelo de segmentación es significativamente mejor que el de un "estudiante promedio" para estas métricas.

La elección de la especificidad y el puntaje de Dice se debió a su relevancia para el dominio del problema, su interpretabilidad y su papel en el equilibrio de las tareas de clasificación y segmentación. La métrica combinada tuvo como objetivo proporcionar una evaluación integral del rendimiento de toda la secuencia considerando ambas tareas simultáneamente.

Detección de metástasis en ganglios linfáticos

El enfoque basado en regiones combinó las fortalezas de los modelos de clasificación y segmentación, lo que nos permitió optimizar la velocidad y la precisión en el procesamiento de las WSI. Primero, las imágenes se segmentaron en mosaicos, que se sometieron a una evaluación inicial por parte del modelo de clasificación. Los mosaicos sin signos de cáncer se descartaron inmediatamente, lo que agilizó el proceso al centrarse solo en los mosaicos potencialmente cancerosos.

Luego, los mosaicos potencialmente cancerosos se procesaron a través del modelo de segmentación. Este paso implicó agrupar estos mosaicos y aplicar el modelo de segmentación para generar máscaras detalladas. Esto no solo ayudó a identificar la ubicación y la extensión exactas de los tejidos tumorales, sino que también garantizó la precisión del diagnóstico. En los casos en que el modelo de clasificación detectó cáncer, pero el modelo de segmentación no lo confirmó, la decisión final se diferenció al modelo de segmentación. Este enfoque conservador priorizó la precisión sobre la velocidad de detección, minimizando las predicciones falsas positivas. Las máscaras de segmentación semitransparentes se superpusieron a las imágenes originales de H&E y permitieron evaluar la precisión de las predicciones de metástasis desde la perspectiva del patólogo (Figura 3).

Una pequeña porción de los mosaicos (6.55% del conjunto de datos de validación) de ganglios linfáticos normales sin signos de metástasis se clasificó erróneamente como positivos por el modelo de clasificación. El modelo de clasificación fue sensible a las imágenes con desplazamiento epitelial, regiones desenfocadas o significativamente hipercromáticas de los centros germinales y los cordones medulares, así como a los artefactos ásperos de la microtomía. Estas imágenes fueron procesadas por el modelo de segmentación y las máscaras generadas resaltaron el desplazamiento epitelial (generalmente en los bordes de la sección), los centros germinales desenfocados y los artefactos de la microtomía, incluidos los fragmentos compactos de las arterias y el tejido linfoide. Sin embargo, los objetos falsos positivos segmentados fueron pequeños y no incluyeron toda el área de las estructuras tisulares, lo que los hizo susceptibles a la filtración sin una disminución significativa de la sensibilidad del modelo a las células tumorales. Es importante destacar que el modelo de segmentación no generó máscaras falsas positivas para el componente estromal peritumoral del ganglio linfático, para la histiocitosis del seno o para los artefactos de tinción.

En los casos de las WSI de ganglios linfáticos con metástasis, las máscaras se superpusieron a los grupos de células tumorales (Figura 4).

Las máscaras resaltaron los grupos de células como objetos únicos y proporcionaron una segmentación extremadamente precisa del margen sobre las células tumorales. La máscara excluyó los hallazgos que generalmente se corresponden con metástasis, como lagos de mucina y detritos necróticos. La máscara permitió la evaluación de la forma polimórfica de las células tumorales que las distinguen de las células normales. La máscara resaltó las metástasis que aparecieron tanto como estructuras glandulares como estructuras sólidas que consistían en células prismáticas atípicas y polimórficas. La máscara permitió una fácil evaluación tanto del volumen como del patrón de crecimiento del tumor. El modelo segmentó el tejido tumoral en todas las WSI de ganglios linfáticos que contenían metástasis, lo que permitió el cálculo de una exhaustividad del 100% (Figura 5).

Evaluación del trabajo de los expertos en el sistema

Se calculó el tiempo que cada experto dedicó a revisar cada escaneo (Figura 6). El experto 1 dedicó aproximadamente la misma cantidad de tiempo a los casos sin metástasis que a los casos con metástasis, mientras que el experto 2 dedicó aproximadamente el doble de tiempo a los casos con metástasis. Sin embargo, la velocidad de su trabajo se mantuvo casi sin cambios cuando se utilizaron las máscaras generadas por la IA. El tiempo medio para completar toda la tarea para los patólogos disminuyó en 1 y 3 segundos, para los expertos 1 y 2, respectivamente (15 segundos frente a 14 segundos y 25 segundos frente a 22 segundos). Además, si para el experto 1 esta disminución se debió a una visualización más rápida de los escaneos con metástasis (10 segundos en lugar de 13.5 segundos), entonces para el experto 2 esto se debió a una disminución del tiempo para evaluar los ganglios linfáticos normales (32 segundos frente a 44 segundos), y el tiempo para evaluar los ganglios linfáticos metastásicos se mantuvo igual (13 segundos en lugar de 12.5 segundos). Por separado, se visualizaron los datos para los casos con pequeñas metástasis, que representan un mayor riesgo de que el patólogo los pase por alto. En estos casos, los tiempos de evaluación tampoco fueron significativamente diferentes. El tiempo medio de evaluación disminuyó en 2.5 segundos (10.5 segundos frente a 13 segundos). Los resultados no mostraron una diferencia estadísticamente significativa en el tiempo con o sin asistencia de la IA (p = 0.23 para el experto 1; p = 0.17 para el experto 2).

Todos los patólogos prestaron atención a la muestra 8 del caso III, en la que la IA detectó una micrometástasis (Figura 6D). Notaron que estas áreas eran extremadamente "fáciles de pasar por alto", ya que se parecían a la histiocitosis y tenían solo signos menores de glandularidad (similitud con el tejido glandular), que caracterizan a los adenocarcinomas, incluido el cáncer colorrectal. Identificar estas áreas puede ser una tarea más sencilla para la IA que incluso para un patólogo experimentado.

Este estudio piloto demostró que los patólogos que utilizaron el sistema de información Axon por primera vez pudieron identificar eficazmente las metástasis en todos los especímenes histológicos. El tiempo para determinar el estado del ganglio linfático fue de un promedio de 21.5 segundos, lo que puede indicar que la carrera por acelerar el trabajo del patólogo en esta tarea en particular puede no ser una prioridad y es menos importante que la precisión del diagnóstico en sí y la prevención de conclusiones falsas negativas.

La red neuronal distingue los adenocarcinomas con signos débiles de tejido glandular del tejido normal, lo que en algunos casos puede ahorrar tiempo al médico en la consulta y, en otros, puede evitar una conclusión falsa negativa. Dado que estas regiones están poco definidas a bajo aumento y el tiempo de visualización de un espécimen "de rutina" es de 10 a 20 segundos, proponemos que la detección automática de estas regiones es el resultado más valioso del modelo. La retroalimentación de los patólogos fue extremadamente positiva, expresando el deseo de implementar un asistente de IA de este tipo en su trabajo habitual.

El enfoque basado en regiones combinó las ventajas de los modelos de clasificación y segmentación, lo que nos permitió optimizar la velocidad y la precisión en el procesamiento de imágenes de alta resolución (WSI). En primer lugar, las imágenes se segmentaron en mosaicos, que se sometieron a una evaluación inicial por parte del modelo de clasificación. Los mosaicos sin signos de cáncer se descartaron inmediatamente, lo que agilizó el proceso al centrarse únicamente en los mosaicos potencialmente cancerosos.

A continuación, los mosaicos potencialmente cancerosos se procesaron mediante el modelo de segmentación. Este paso implicó agrupar estos mosaicos y aplicar el modelo de segmentación para generar máscaras detalladas. Esto no solo ayudó a identificar la ubicación y la extensión exactas de los tejidos tumorales, sino que también garantizó la precisión del diagnóstico. En los casos en que el modelo de clasificación detectó cáncer, pero el modelo de segmentación no lo confirmó, la decisión final se dejó al modelo de segmentación. Este enfoque conservador priorizó la precisión sobre la velocidad de detección, minimizando las predicciones falsas positivas. Las máscaras de segmentación semitransparentes se superpusieron a las imágenes originales de H&E y permitieron evaluar la precisión de las predicciones de metástasis desde la perspectiva del patólogo (Figura 3).

Una pequeña proporción de mosaicos (6,55% del conjunto de datos de validación) de ganglios linfáticos normales sin signos de metástasis se clasificó erróneamente como positivos por el modelo de clasificación. El modelo de clasificación fue sensible a las imágenes con desplazamiento epitelial, regiones de los centros germinales y los cordones medulares desenfocadas o significativamente hipercromáticas, así como a los artefactos toscos de la microtomía. Estas imágenes fueron procesadas por el modelo de segmentación y las máscaras generadas resaltaron el desplazamiento epitelial (generalmente en los bordes de la sección), los centros germinales desenfocados y los artefactos de la microtomía, incluidos los fragmentos compactos de las arterias y el tejido linfoide. Sin embargo, los objetos falsos positivos segmentados eran pequeños y no incluían toda el área de las estructuras tisulares, lo que los hacía susceptibles de filtrado sin una disminución significativa de la sensibilidad del modelo a las células tumorales. Es importante destacar que el modelo de segmentación no generó máscaras falsas positivas para el componente estromal peritumoral del ganglio linfático, para la histiocitosis sinusoidal o para los artefactos de tinción.

En los casos de WSI de ganglios linfáticos con metástasis, las máscaras se superpusieron a los grupos de células tumorales (Figura 4).

Las máscaras resaltaron los grupos de células como objetos individuales y proporcionaron una segmentación extremadamente precisa del margen sobre las células tumorales. La máscara excluyó los hallazgos que generalmente corresponden con metástasis, como lagunas de mucina y detritos necróticos. La máscara permitió la evaluación de la forma polimórfica de las células tumorales que las distinguen de las células normales. La máscara resaltó las metástasis que aparecieron tanto como estructuras glandulares como estructuras sólidas que consistían en células prismáticas atípicas polimórficas. La máscara permitió una fácil evaluación tanto del volumen como del patrón de crecimiento del tumor. El modelo segmentó el tejido tumoral en todas las WSI de ganglios linfáticos que contenían metástasis, lo que permitió el cálculo de una sensibilidad del 100% (Figura 5).

Evaluación del trabajo de los expertos en el sistema

Se calculó el tiempo que cada experto dedicó a revisar cada imagen (Figura 6). El experto 1 dedicó aproximadamente la misma cantidad de tiempo a los casos sin metástasis que a los casos con metástasis, mientras que el experto 2 dedicó aproximadamente el doble de tiempo a los casos con metástasis. Sin embargo, la velocidad de su trabajo se mantuvo casi sin cambios cuando se utilizaron las máscaras generadas por la IA. El tiempo medio para completar toda la tarea de prueba para los patólogos disminuyó en 1 y 3 segundos, para los expertos 1 y 2, respectivamente (15 segundos frente a 14 segundos y 25 segundos frente a 22 segundos). Además, si para el experto 1 esta disminución se produjo debido a una visualización más rápida de las imágenes con metástasis (10 segundos en lugar de 13,5 segundos), entonces para el experto 2 esto se debió a una disminución del tiempo para evaluar los ganglios linfáticos normales (32 segundos frente a 44 segundos), y el tiempo para evaluar los ganglios linfáticos metastásicos se mantuvo igual (13 segundos en lugar de 12,5 segundos). Por separado, se visualizaron los datos para los casos con pequeñas metástasis, que representan el mayor riesgo de que el patólogo las pase por alto. En estos casos, los tiempos de evaluación tampoco fueron significativamente diferentes. El tiempo medio de evaluación disminuyó en 2,5 segundos (10,5 segundos frente a 13 segundos). Los resultados no mostraron una diferencia estadísticamente significativa en el tiempo con o sin asistencia de la IA (p = 0,23 para el experto 1; p = 0,17 para el experto 2).

Todos los patólogos prestaron atención a la muestra 8 del caso III, en la que la IA detectó una micrometástasis (Figura 6D). Notaron que estas áreas eran extremadamente "fáciles de pasar por alto", ya que se parecían a la histiocitosis y solo tenían signos menores de glandularidad (similitud con el tejido glandular), que caracterizan a los adenocarcinomas, incluido el cáncer colorrectal. Identificar estas áreas puede ser una tarea más sencilla para la IA que incluso para un patólogo experimentado.

Este estudio piloto demostró que los patólogos que utilizaron el sistema de información Axon por primera vez pudieron identificar eficazmente las metástasis en todos los especímenes histológicos. El tiempo para determinar el estado del ganglio linfático fue de 21,5 segundos en promedio, lo que puede indicar que la carrera por acelerar el trabajo del patólogo en esta tarea en particular puede no ser una prioridad y es menos importante que la precisión del diagnóstico en sí y la prevención de conclusiones falsas negativas.

La red neuronal distingue los adenocarcinomas con signos débiles de tejido glandular del tejido normal, lo que en algunos casos puede ahorrar tiempo al médico en la consulta y, en otros, puede evitar una conclusión falsa negativa. Dado que estas regiones están poco definidas a bajo aumento y el tiempo para visualizar un espécimen "de rutina" es de 10 a 20 segundos, proponemos que la detección automática de estas regiones es el resultado más valioso del modelo. La retroalimentación de los patólogos fue extremadamente positiva, expresando el deseo de implementar un asistente de IA de este tipo en su trabajo habitual.

Discusión

En este estudio, el modelo de segmentación basado en regiones demostró una alta precisión en la detección de células tumorales metastásicas en imágenes histológicas de ganglios linfáticos. Basamos la novedad y la importancia de los resultados de nuestro estudio en el tamaño de la muestra, la inclusión no supervisada de las diapositivas en el estudio, la inclusión de un conjunto de datos externo preparado en un escáner diferente y la investigación de los patólogos sobre la precisión de las máscaras generadas. En este artículo, proporcionamos evidencia sólida para respaldar el enfoque de la canalización de clasificación-segmentación para el problema de la segmentación del tejido tumoral.

La detección de metástasis en las WSI de los ganglios linfáticos es un foco de la patología digital moderna. Chuang et al. informaron sobre el entrenamiento de un modelo de IA en WSI no etiquetadas utilizando ResNet 50 en una supercomputadora. El objetivo principal del estudio fue la identificación de micrometástasis con un tamaño entre 0,2 y 2,0 mm e incluyó casos de un solo ganglio. Las macro- y micrometástasis se identificaron con precisión con un AUROC de 0,9944 y 0,9476, respectivamente. El mapeo de activación de clase reveló que el modelo se centró en los focos de células metastásicas, ignorando las áreas de necrosis y mucina [^[16]]. En nuestro estudio, diseñamos específicamente el proyecto piloto en línea para la evaluación de expertos para centrarnos en las macro- y micrometástasis. Demostramos que el modelo resaltó las células tumorales aisladas de tan solo 0,14 mm x 0,06 mm.

Una publicación reciente informó sobre la aplicación del aprendizaje por transferencia para utilizar datos sobre metástasis de cáncer de mama en casos de cáncer colorrectal. Se afinó con anotaciones de cáncer colorrectal y mostró hasta un 100% de precisión en la detección de regiones de ganglios linfáticos con metástasis. Sin embargo, la ausencia de un modelo de segmentación tumoral limita su capacidad para detectar regiones de tejido más grandes, lo que permite que el modelo pase por alto pequeñas islas de células tumorales. Dado que este enfoque se limitó a una tarea de clasificación, no fue posible medir con precisión el diámetro de las regiones metastásicas en los ganglios linfáticos. Es importante señalar que los autores informaron sobre la creación de un conjunto de CNN, el primero para la segmentación del tejido del ganglio linfático y el segundo, un detector de mosaicos con metástasis [^[17]]. Resolvimos este problema con una canalización de clasificación-segmentación basada en GoogleNet para la clasificación y DeepLabV3+ para la segmentación. Esta última arquitectura tiene una alta precisión de segmentación en objetos pequeños, lo que es importante en las tareas de segmentación médica donde los tumores pequeños u otros objetos pueden ser críticos para un diagnóstico y tratamiento correctos.

Recientemente, un estudio clínico innovador investigó la eficacia de un flujo de trabajo de patólogo asistido por IA. El grupo de investigadores de Suecia desarrolló un modelo entrenado en WSI de su departamento con una precisión a nivel de píxel de 0,952 en ganglios con metástasis y 99% en una muestra de 103 ganglios N+. La principal ventaja del estudio fue que es el primero en informar sobre la rapidez con la que el diagnóstico asistido por IA es en comparación con la práctica rutinaria tradicional. El tiempo medio necesario para la evaluación se acortó significativamente para al menos un patólogo (tiempo medio para el patólogo 1, 26 frente a 14 segundos; tiempo medio para el patólogo 2, 25 frente a 23 segundos). Esta herramienta de apoyo a la decisión tiene el potencial de mejorar el flujo de trabajo de diagnóstico al reducir el tiempo necesario para la evaluación de los ganglios linfáticos en los especímenes de cáncer colorrectal sin afectar la precisión del diagnóstico [^[18]].

Curiosamente, nuestro estudio piloto mostró que la ventaja en el tiempo puede estar ausente en los casos que no requieren consulta. Sin embargo, la retroalimentación de los patólogos se centró en una reacción generalmente positiva al apoyo de la IA y su capacidad para distinguir los focos tumorales solitarios de la histiocitosis. Posiblemente, el efecto de ahorro de tiempo sea más evidente en los casos de patólogos menos experimentados. Si avanzamos en el concepto de un sistema de IA confiable, podemos especular que un modelo con una sensibilidad del 100% podría asumir la carga de trabajo de analizar los ganglios linfáticos no metastásicos, lo que reduciría significativamente el número de diapositivas que un patólogo necesita revisar por caso clínico en un factor de 10. Este enfoque plantea un riesgo, ya que el patólogo seguiría asumiendo la plena responsabilidad de cualquier subdiagnóstico, lo que requeriría un discurso profesional. Sin embargo, este escenario brinda la oportunidad de realizar un estudio controlado, por ejemplo, por dos grupos independientes de clínicos. Dicho estudio podría proporcionar evidencia sólida que respalde la integración de la IA en la patología o que destaque las consecuencias imprevistas de trasladar las responsabilidades de diagnóstico de los patólogos humanos.

Conclusión

La prueba piloto confirmó la hipótesis de que la precisión de la red neuronal en la determinación de la presencia o ausencia de metástasis de cáncer colorrectal en los ganglios linfáticos es comparable a la de la evaluación de un patólogo. En algunos casos, la red neuronal identificó células tumorales aisladas que los médicos habían señalado como "fáciles de pasar por alto". Estos hallazgos se alinean con la investigación más amplia, en la que un modelo de segmentación basado en regiones demostró de manera constante un rendimiento sólido en la delimitación de focos metastásicos. La fortaleza de este enfoque se basa en un conjunto de muestras de origen heterogéneo, una inclusión de diapositivas imparcial, una validación en un conjunto de datos externo y una revisión detallada por parte de expertos de las máscaras generadas. En conjunto, estos elementos refuerzan el valor de una canalización de clasificación-segmentación como un marco confiable para la detección y el mapeo de tejidos tumorales en imágenes de diapositivas completas.

Contribuciones de los autores

Alexey Fayzullin: conceptualización, análisis formal, validación, curación de datos, investigación, redacción – borrador original, visualización. Nikita Savelov: supervisión, redacción – revisión y edición, validación, recursos, conceptualización, investigación. Artur Balkivskiy: metodología, software, curación de datos, visualización, redacción – borrador original, investigación. Elena Ivanova: metodología, validación, investigación, redacción – borrador original, visualización. Anna Timakova: metodología, investigación, validación, redacción – borrador original. Vladimir Funtikov: redacción – revisión y edición, software, investigación. Ekaterina Shelomentseva: software, redacción – revisión y edición, investigación. Nikita Panchenko: software, redacción – revisión y edición, investigación. Igor Spiridonov: investigación, redacción – revisión y edición, software. Ivan Korkonishko: software, redacción – revisión y edición, investigación. Mariia Makhina: conceptualización, investigación, redacción – revisión y edición. Evgeniia Kutuzova: conceptualización, investigación, redacción – revisión y edición. Daur Meretukov: conceptualización, investigación, redacción – revisión y edición. Natalia Kretova: validación, redacción – revisión y edición, investigación. Tatiana Demura: supervisión, recursos, validación, investigación, redacción – revisión y edición. Peter Timashev: recursos, investigación, redacción – revisión y edición, administración del proyecto. Ruslan Parchiev: adquisición de financiación, recursos, supervisión, visualización, investigación, software, conceptualización, metodología, análisis formal, curación de datos.

Financiación

Este trabajo fue financiado por el Ministerio de Ciencia y Educación Superior de la Federación Rusa, bajo el acuerdo de subvención n.º 075 15 2024 640 (Universidad Sechenov).

Declaración ética

Todos los protocolos experimentales fueron aprobados por el Hospital Oncológico de la Ciudad de Moscú n.º 62 (Moscú, Rusia).

Consentimiento

Se obtuvo el consentimiento informado de todos los sujetos y/o sus tutores legales antes de utilizar sus datos en este estudio.

Conflictos de intereses

Artur Balkivskiy, Vladimir Funtikov, Ekaterina Shelomentseva, Nikita Panchenko, Igor Spiridonov, Ivan Korkonishko y Ruslan Parchiev han recibido financiación para su trabajo a través de su empleo en Medical Neuronets. Ruslan Parchiev también ha recibido financiación para su trabajo a través de su empleo en Synapse Tech. Todos los demás autores declaran no tener conflictos de intereses.