Clasificación Basada en Aprendizaje Profundo de Cáncer Colorrectal en Imágenes de Histopatología para la Detección de Categorías

Este estudio investigó el uso de un programa informático basado en el aprendizaje profundo para clasificar automáticamente diferentes tipos de cáncer colorrectal a partir de imágenes de muestras de tejido examinadas bajo un microscopio. El objetivo era determinar si esta tecnología podría ayudar a los médicos a diagnosticar el cáncer colorrectal de forma más precisa y rápida.

La investigación se centró en el análisis de imágenes de tejido estándar (imágenes de histopatología teñidas con H&E) para identificar diferentes categorías de cáncer colorrectal, incluido el tejido normal, los pólipos y las diversas etapas del desarrollo del cáncer. El estudio comparó diferentes modelos de aprendizaje profundo, como ResNet-34, ResNet-50 y Swin Transformer V2, para determinar cuál ofrecía el mejor rendimiento en la clasificación de estas categorías. También desarrollaron un nuevo método de dos pasos para mejorar la precisión, especialmente en los casos de difícil diagnóstico, como la displasia de alto grado.

Actualmente, el aprendizaje profundo no se utiliza de forma rutinaria en la práctica clínica para el diagnóstico del cáncer colorrectal. Esta investigación es un paso hacia la exploración de cómo esta tecnología podría ayudar potencialmente a los patólogos en el futuro. El estudio mostró resultados prometedores en el laboratorio, y algunos modelos lograron una alta precisión en la clasificación de las diferentes etapas y tipos de cáncer colorrectal. Sin embargo, se trata todavía de una investigación en fase inicial. Serían necesarios estudios adicionales, incluidos ensayos clínicos con pacientes, para determinar si estas herramientas de aprendizaje profundo son seguras, eficaces y prácticas para su uso en el diagnóstico en el mundo real antes de que puedan implementarse en los hospitales.