Un modelo de detección automática de la diseminación a través de los espacios aéreos en secciones patológicas postoperatorias, basado en el aprendizaje profundo en el cáncer de pulmón no microcítico (CPNM).

La diseminación a través de los espacios aéreos (STAS) se reconoce como un patrón de invasión agresivo en el cáncer de pulmón y se ha asociado con peores resultados de supervivencia.

Sin embargo, la STAS se pasa por alto o se diagnostica erróneamente con frecuencia durante el diagnóstico patológico de rutina. Analizamos 129 láminas patológicas de 91 pacientes con cáncer de pulmón no microcítico (CPNM) positivos para STAS. Se desarrolló un marco de inteligencia artificial que consiste en un algoritmo de segmentación de la región tumoral y un algoritmo de detección de objetos. Primero, se utilizó el algoritmo de segmentación para aislar la región tumoral principal, seguido de la detección de STAS mediante un modelo de detección de objetos mejorado.

El módulo de segmentación alcanzó una similitud de Jaccard de 0,846. El algoritmo de detección de objetos propuesto demostró un rendimiento superior con una precisión de 0,738, una exhaustividad de 0,747 y una precisión media (AP) de 0,784 y una puntuación F1 de 0,742, superando a otros métodos de detección de objetos. Tanto los resultados de la segmentación como de la detección cumplieron con los requisitos de diagnóstico, y se observó una mayor precisión en el adenocarcinoma de pulmón (LUAD) que en el carcinoma de células escamosas de pulmón (LUSC). En la validación externa, el modelo alcanzó una precisión de 0,670, una exhaustividad de 0,705 y una AP de 0,732 y una puntuación F1 de 0,687.

Además, los recuentos de STAS derivados de la IA mostraron un acuerdo sustancial con los patólogos (coeficiente de correlación intraclase = 0,703). El análisis de supervivencia de Kaplan-Meier reveló que el número de eventos de STAS se asoció significativamente con la supervivencia libre de enfermedad (DFS) en el estadio I de LUAD (p < 0,05). Proponemos un marco de inteligencia artificial basado en el aprendizaje profundo para la detección y cuantificación automatizadas de STAS en imágenes digitales de láminas completas de CPNM. Este modelo tiene un potencial prometedor para ayudar a los patólogos a lograr un diagnóstico más completo y preciso de la STAS.