Modelo Basado en Aprendizaje Profundo para Clasificar Células Neoplásicas en Imágenes de Citología de Líquido Pleural

Abstract

El Derrame Pleural, es una patología que se manifiesta con la acumulación excesiva o fuera del rango normal de líquido pleural en la zona que rodea los pulmones. La citología es una rama de la medicina que estudia las células en sus diferentes aspectos morfológicos, funcionales y genéticos; desde microscopios simples hasta técnicas modernas, la evolución continúa, permitiendo su uso en oncología y análisis celular. El examen citológico es una técnica diagnóstica muy utilizada y de alta precisión para confirmar enfermedades y determinar su estadio. El proceso consiste en identificar signos atípicos, como células con formas y texturas irregulares. El diagnóstico médico se complica debido a la variabilidad de los estados patológicos en las muestras de líquido pleural, que pueden incluir enfermedades inflamatorias, infecciosas y neoplasias. La detección temprana de malignidad es crucial para un tratamiento oportuno, reduciendo el sufrimiento y potencialmente prolongando la vida del paciente. Además, la escasez de médicos patólogos y la demora en los diagnósticos abren oportunidades para la implementación de técnicas de inteligencia artificial, las cuales han demostrado un impacto significativo en la medicina diagnóstica en los últimos años. La investigación se llevó a cabo utilizando la metodología de Investigación en Ciencias del Diseño (DSR), lo que permitió un diseño estructurado, una implementación efectiva y una validación exhaustiva de la técnica propuesta. Se construyó un conjunto de datos de imágenes citológicas de líquido pleural que contiene 2640 imágenes de muestras de citología de líquido pleural. Para identificar células neoplásicas, se diseñó un modelo basado en Redes Neuronales Convolucionales (CNN), utilizando Transfer Learnig y tres arquitecturas de CNN pre entrenadas ResNet50V2, DesNet121 e InceptionV3. Se evaluó el desempeño al identificar células MAL (malignas) y células NFM (negativas para malignidad - benignas) según la clasificación del sistema internacional (TIS) para informar citología de líquidos serosos: riesgo de malignidad (MAL y NFM). Los tres modelos fueron entrenados, validados y evaluados con el mismo conjunto de datos, se evaluó el desempeño por modelo y se realizaron comparaciones combinadas mediante el Voting Classifier, para determinar qué modelo presenta la mejor precisión en la clasificación de imágenes citológicas. Los algoritmos de aprendizaje profundo propuestos para clasificar imágenes citológicas de líquido pleural lograron un rendimiento superior al 90% en pruebas. Las combinaciones más efectivas fueron ResNet+Inception y ResNet+DesNet, la primera combinación obtuvo mayor precisión (0.94) pero fue menos generalizable con un conjunto de datos externo, a diferencia la segunda combinación, aunque obtuvo una menor precisión (0.92) fue más generalizable cuando se probó en un conjunto de datos externo. Los resultados confirman el potencial del método propuesto para ayudar a los patólogos a lograr un diagnóstico más preciso.