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

El diagnóstico preciso y oportuno del cáncer colorrectal (CRC) es esencial para un tratamiento efectivo y mejores resultados en pacientes.

Este estudio explora la aplicación de aprendizaje profundo (DL) para la clasificación automática de categorías de CRC utilizando imágenes histopatológicas teñidas con hematoxilina y eosina (H&E). Entre los modelos, ResNet-34 demostró un fuerte equilibrio entre rendimiento y complejidad, alcanzando una precisión general del 85,04%, con precisiones de clasificación top-2 y top-3 del 96,68% y 99,23%, respectivamente. ResNet-50 exhibió la mayor AUC micro-promedio ROC de 0,9933 y un puntaje F1 de 87,51%. El modelo Swin Transformer V2 también mostró resultados competitivos, con el Swin v2-t-w8 logrando una precisión particularmente alta en la detección de polipos hiperplásicos (95,83%) y adenocarcinoma (93,33%), junto a fuertes AUC ROC (0,9926 para polipos hiperplásicos y 0,9864 para adenocarcinoma), aunque a costa de un aumento en las demandas computacionales.

Desarrollamos además un marco predictivo en dos etapas que incluye una etapa de detección binaria de anormalidades seguida por un clasificador multiclas de cáncer. Este enfoque mejoró significativamente la robustez de la clasificación, especialmente para clases subrepresentadas y morfológicamente complejas. En particular, la precisión de clasificación de displasia de alto grado mejoró del 53,57% con ResNet-34 al 71,43% en su extensión a dos etapas.

Estos resultados sugieren que las arquitecturas de profundidad moderada pueden capturar efectivamente la diversidad morfológica de las etapas del cáncer colorrectal y proporcionar una herramienta diagnóstica basada en aprendizaje profundo e interpretable para apoyar a los patólogos.