Aplicación independiente en el mundo real de un sistema automatizado de detección de cáncer de próstata de grado clínico
Leonard M da Silva, Emilio M Pereira, Paulo Go Salles, Ran Godrich, Rodrigo Ceballos, Jeremy D Kunz, Adam Casson, Julian Viret, Sarat Chandarlapaty, Carlos Gil Ferreira, Bruno Ferrari, Brandon Rothrock, Patricia Raciti, Victor Reuter, Belma Dogdas , George DeMuth , Jillian Sue, Christopher Kanan , Leo Grady , Thomas J Fuchs, Jorge S Reis-Filho, inteligencia artificial; aprendizaje profundo; diagnóstico; histopatología; aprendizaje automático; cáncer de próstata; cribado, Los sistemas basados en la inteligencia artificial (IA) aplicados a las imágenes de diapositivas completas de histopatología tienen el potencial de mejorar la atención al paciente mediante la mitigación de los desafíos planteados por la variabilidad del diagnóstico, el número de casos de histopatología y la escasez de patólogos. Buscamos definir el rendimiento de un sistema automatizado de detección de cáncer de próstata basado en IA, Paige Prostate, cuando se aplica a datos independientes del mundo real. El algoritmo se empleó para clasificar los portaobjetos en dos categorías: benignos (no se necesita una revisión adicional) o sospechosos (se requiere un análisis histológico y/o inmunohistoquímico adicional). Se evaluó la sensibilidad, la especificidad, los valores predictivos positivos (VPP) y los valores predictivos negativos (VPN) de un patólogo local, dos patólogos centrales y Paige Prostate en el diagnóstico de 600 regiones de biopsia de próstata con aguja guiada por ecografía transrectal («especímenes parciales») de 100 pacientes consecutivos, y para determinar el impacto de Paige Prostate en la precisión y la eficacia del diagnóstico. Paige Prostate mostró una alta sensibilidad (0,99; IC 0,96-1,0), VPN (1,0; IC 0,98-1,0) y especificidad (0,93; IC 0,90-0,96) a nivel de muestra parcial. A nivel de paciente, Paige Prostate mostró una sensibilidad óptima (1,0; IC 0,93-1,0) y un VPN (1,0; IC 0,91-1,0) con una especificidad de 0,78 (IC 0,64-0,89). Los 27 especímenes parciales considerados por Paige Prostate como sospechosos, cuyo diagnóstico final fue benigno, resultaron ser atrofia (n = 14), atrofia y tejido prostático apical (n = 1), tejido prostático apical/benigno (n = 9), adenosis (n = 2) e hiperplasia post-atrófica (n = 1). Paige Prostate dio lugar a la identificación de otros cuatro pacientes cuyos diagnósticos pasaron de benignos/sospechosos a malignos. Además, esta prueba basada en la IA proporcionó una reducción estimada del 65,5% del tiempo de diagnóstico del material analizado. Dada su óptima sensibilidad y VPN, Paige Prostate tiene el potencial de ser empleado para la identificación automatizada de pacientes cuyos cortes histológicos podrían renunciar a una revisión histopatológica completa. Además de proporcionar mejoras incrementales en la precisión y eficiencia del diagnóstico, este sistema basado en la IA identificó a pacientes cuyos cánceres de próstata no fueron diagnosticados inicialmente por tres histopatólogos experimentados. 2021 Los autores. The Journal of Pathology publicado por John Wiley & Sons, Ltd. en nombre de The Pathological Society of Great Britain and Ireland.
Validación de un sistema de patología digital que incluye la revisión a distancia durante la pandemia COVID-19
Modern Pathology, Matthew G. Hanna, Victor E. Reuter, Orly Ardon, David Kim, Sahussapont Joseph Sirintrapun, Peter J. Schüffler, Klaus J. Busam, Jennifer L. Sauter, Edi Brogi, Lee K. Tan, Bin Xu, Tejus Bale, Narasimhan P. Agaram, Laura H. Tang, Lora H. Ellenson, John Philip, Lorraine Corsale, Evangelos Stamelos, Maria A. Friedlander, Peter Ntiamoah, Marc Labasin, Christine England, David S. Klimstra, Meera Hameed, Remote digital pathology allows healthcare systems to maintain pathology operations during public health emergencies. Las regulaciones existentes de las Enmiendas de Mejora de los Laboratorios Clínicos requieren que los patólogos verifiquen electrónicamente los informes de los pacientes de una instalación certificada. Durante la pandemia de 2019 de la enfermedad COVID-19, causada por el virus SAR-CoV-2, este requisito expone potencialmente a los patólogos, a sus colegas y a los miembros de sus hogares al riesgo de infectarse. La relajación de la aplicación de esta normativa por parte del gobierno permite a los patólogos revisar e informar sobre las muestras de patología desde un centro remoto no certificado por la CLIA. La disponibilidad de sistemas de patología digital puede facilitar el diagnóstico microscópico a distancia, aunque no se ha informado de una validación formal exhaustiva (basada en casos) del diagnóstico digital a distancia. Todos los portaobjetos de vidrio que representaban la carga de trabajo de firma clínica rutinaria en las subespecialidades de patología quirúrgica del Memorial Sloan Kettering Cancer Center se escanearon en un Aperio GT450 con una resolución equivalente a ×40 (0,26 µm/píxel). Doce patólogos de nueve subespecialidades de patología quirúrgica revisaron e informaron a distancia de casos completos de patología utilizando un sistema de patología digital de un centro no certificado por la CLIA a través de una conexión segura. Las imágenes de portaobjetos completos se integraron y se lanzaron dentro del sistema de información del laboratorio a un visor de imágenes de portaobjetos completos personalizado e independiente del proveedor. Para los fichajes a distancia se utilizaron ordenadores y monitores de consumo (tamaño del monitor, 13,3-42 pulgadas; resolución, 1280 × 800-3840 × 2160 píxeles) que se conectaron a una estación de trabajo clínica de la institución a través de una red privada virtual segura. Posteriormente, los patólogos revisaron todos los portaobjetos de vidrio correspondientes utilizando un microscopio de luz dentro del departamento certificado por la CLIA. Las métricas de concordancia intraobservador incluyeron elementos de notificación del diagnóstico de primera línea, el estado de los márgenes, la invasión linfovascular y/o perineural, el estadio patológico y las pruebas auxiliares. El tamaño medio de los archivos de imágenes de portaobjetos completos fue de 1,3 GB; el tiempo de escaneado/portaobjetos fue de 90 s de media; y el área de tejido escaneado fue de 612 mm2 de media. Las sesiones de firmas incluyeron un total de 108 casos, compuestos por 254 partes individuales y 1196 diapositivas. La equivalencia diagnóstica mayor fue del 100% entre los diagnósticos digitales y los de portaobjetos; y la concordancia global fue del 98,8% (251/254). Este estudio informa sobre la validación de la revisión del diagnóstico primario y la notificación de casos patológicos completos desde un sitio remoto durante una emergencia de salud pública. Nuestra experiencia muestra una alta (100%) concordancia diagnóstica intraobservador entre el portaobjetos digital y el portaobjetos de vidrio cuando se informa desde un sitio remoto. Este estudio aleatorio y prospectivo validó con éxito el uso a distancia de un sistema de patología digital, incluyendo la viabilidad operativa que permite la revisión y el informe a distancia de las muestras de patología, así como la evaluación del rendimiento del acceso a distancia y la facilidad de uso para el registro a distancia.
Patología computacional de grado clínico usando aprendizaje profundo débilmente supervisado en imágenes de portaobjetos completos
Nature Medicine, Gabriele Campanella, Matthew G. Hanna, Luke Geneslaw, Allen Miraflor, Vitor Werneck Krauss Silva, Klaus J. Busam, Edi Brogi, Victor E. Reuter, David S. Klimstra, Thomas J. Fuchs, El desarrollo de sistemas de apoyo a la toma de decisiones en patología y su implantación en la práctica clínica se han visto obstaculizados por la necesidad de contar con grandes conjuntos de datos anotados manualmente. Para superar este problema, presentamos un sistema de aprendizaje profundo basado en el aprendizaje de múltiples instancias que utiliza solo los diagnósticos informados como etiquetas para el entrenamiento, evitando así las costosas y lentas anotaciones manuales de los píxeles. Evaluamos este marco a escala en un conjunto de datos de 44.732 imágenes de portaobjetos completos de 15.187 pacientes sin ninguna forma de curación de datos. Las pruebas realizadas sobre el cáncer de próstata, el carcinoma de células basales y las metástasis del cáncer de mama en los ganglios linfáticos axilares dieron como resultado áreas bajo la curva superiores a 0,98 para todos los tipos de cáncer. Su aplicación clínica permitiría a los patólogos excluir entre el 65 y el 75% de los portaobjetos conservando una sensibilidad del 100%. Nuestros resultados muestran que este sistema tiene la capacidad de entrenar modelos de clasificación precisos a una escala sin precedentes, sentando las bases para el despliegue de sistemas de apoyo a la decisión computacional en la práctica clínica.
