Uso de la inteligencia artificial en el diagnóstico de alteraciones de la citología cervicouterina: estudio observacional en población universitaria
Resumen
Introducción. La citología convencional (prueba de Papanicolaou) continúa siendo un pilar del tamizaje del cáncer cervicouterino en Colombia, pero su utilidad se ve opacada por una gran carga laboral y bajo rendimiento diagnóstico. El uso de la inteligencia artificial puede proveer una solución a este problema, sin embargo, no hay estudios que evalúen su utilidad en nuestra población.
Objetivo. Evaluar y comparar la capacidad discriminativa de cuatro modelos de inteligencia artificial para detectar anormalidades en la citología cervicouterina.
Materiales y métodos. Se obtuvieron 650 imágenes de células de citología cervicouterina convencional de una población universitaria del nororiente colombiano, las cuales fueron sometidas a evaluación diagnóstica por un patólogo experto. Mediante el análisis de imágenes digitales y aprendizaje profundo, se entrenaron cuatro modelos de inteligencia artificial (DenseNet, InceptionV3, MobileNet y VGG19) con los datos de una base de citología de acceso público, determinando la capacidad discriminativa de los modelos con su respectiva sensibilidad, especificidad y área bajo la curva.
Resultados. MobileNet tuvo la mejor capacidad discriminativa [área bajo la curva (AUC) de 0,97) con una especificidad del 0,99 y sensibilidad de 0,78 para la detección de alteraciones en la citología cervicouterina. Por otro lado, InceptionV3 tuvo un mejor desempeño en el tamizaje, con sensibilidad del 0,93, especificidad de 0,82 y área bajo la curva de 0,947.
Conclusiones. Nuestros resultados ilustran las ventajas y desventajas de diferentes modelos de inteligencia artificial y la forma como podrían ayudar a mejorar el rendimiento del tamizaje con citología convencional o, incluso, servir como método de tamizaje primario para descartar los casos negativos, lográndose un desempeño diagnóstico comparable con el de la lectura convencional.
Descargas
Referencias bibliográficas
World Health Organization. Global health estimates 2020: Deaths by cause, age, sex, by country and by region, 2000-2019. Geneva: World Health Organization; 2020.
Organización Panamericana de la Salud. Cáncer cervicouterino - OPS/OMS. Fecha de consulta: 13 de junio de 2022. Disponible en: https://www.paho.org/es/temas/cancercervicouterino
Sanyal P, Ganguli P, Barui S. Performance characteristics of an artificial intelligence based on convolutional neural network for screening conventional Papanicolaou-stained cervical smears. Med J Armed Forces India. 2020;76:418-24. https://doi.org/10.1016/j.mjafi.2019.08.001
Xin M, Wang Y. Research on image classification model based on deep convolution neural network. J Image Video Process. 2019;2019. https://doi.org/10.1186/s13640-019-0417-8
Kumar L, Renuka D, Rose S, Shunmugapriya M, Wartana I. Deep learning based assistive technology on audio visual speech recognition for hearing impaired. Int J Cogn Comput Eng. 2022;3:24-30.
Popel M, Tomkova M, Tomek J, Kaiser Ł, Uszkoreit J, Bojar O, et al. Transforming machine translation: A deep learning system reaches news translation quality comparable to human professionals. Nat Commun. 2020;11:4381. https://doi.org/10.1038/s41467-020-18073-9
Pranav KB, Manikandan J. Design and evaluation of a real-time face recognition system using convolutional neural networks. Procedia Comput Sci. 2020;171:1651-9. https://doi.org/10.1016/j.procs.2020.04.177
Cui M, Zhang DY. Artificial intelligence and computational pathology. Lab Invest. 2021;101:412–22. https://doi.org/10.1038/s41374-020-00514-0
Campanella G, Hanna MG, Geneslaw L, Miraflor A, Werneck KSV, Busam K, et al. Clinicalgrade computational pathology using weakly supervised deep learning on whole slide images. Nat Med. 2019;25:1301-9. https://doi.org/10.1038/s41591-019-0508-1
Korbar B, Olofson AM, Miraflor AP, Nicka CM, Suriawinata MA, Torresani L, et al. Deep learning for classification of colorectal polyps on whole-slide images. J Pathol Inform. 2017;8:30. https://doi.org/10.4103/jpi.jpi_34_17
Bychkov D, Linder N, Turkki R, Nordling S, Kovanen PE, Verrill C, et al. Deep learning based tissue analysis predicts outcome in colorectal cancer. Sci Rep. 2018;8:3395. https://doi.org/10.1038/s41598-018-21758-3
Ehteshami Bejnordi B, Veta M, Johannes van Diest P, Van Ginekken B, Karssemeijer N, Litjens G, et al. Diagnostic assessment of deep learning algorithms for detection of lymph node metastases in women with breast cancer. JAMA. 2017;318:2199-210. https://doi.org/10.1001/jama.2017.14585
Bao H, Sun X, Zhang Y, Pang B, Li H, Zhou L, et al. The artificial intelligence-assisted cytology diagnostic system in large-scale cervical cancer screening: A population-based cohort study of 0.7 million women. Cancer Med. 2020;9:6896-906. https://doi.org/10.1002/cam4.3296
Diniz ND, Rezende MT, Bianchi AG, Carneiro CM, Luz JS, Moreira GP, et al. A deep learning ensemble method to assist cytopathologists in Pap test image classification. J Imaging. 2021;7:111. https://doi.org/10.3390/jimaging7070111
Silva R, Isidoro DWA, Silva AC, Lima SM, Paiva AC. Searching for cell signatures in multidimensional feature spaces. Int J Biomed Eng Technol. 2021;36:236-56.
Rodríguez M, Córdova C, Benjumeda I, San Martín S. Automated cervical cancer screening using single-cell segmentation and deep learning: Enhanced performance with liquid-based cytology. Computation. 2024;12:232. https://doi.org/10.3390/computation12120232
William W, Ware J, Habinka A, Obungoloch J. A review of image analysis and machine learning techniques for automated cervical cancer screening from Pap-smear images. Comput Methods Programs Biomed. 2018;164:15-22. https://doi.org/10.1016/j.cmpb.2018.05.034
Komura D, Ishikawa S. Machine learning approaches for pathologic diagnosis. Virchows Arch. 2019;475:131-8. https://doi.org/10.1007/s00428-019-02594-w
Rezende MT, Tobias AHG, Silva R, Oliveira P, Sombra de Medeiros F, Ushizima D, et al. CRIC Cervix Cell Classification. Fecha de consulta: 15 de junio de 2022. Disponible en: https://doi.org/10.6084/m9.figshare.c.4960286.v2
Nayar R, Wilbur DC, editors. The Bethesda System for reporting cervical cytology. 3rd edition. Chicago, IL: Springer; 2015. https://doi.org/10.1007/978-3-319-11074-5
Kräter M, Abuhattum S, Soteriou D, Jacobi A, Krüger T, Guck J, et al. AIDeveloper: Deep learning image classification in life science and beyond. Adv Sci. 2021;8:2003743. https://doi.org/10.1002/advs.202003743
Huang G, Liu Z, van Der Maaten L, Weinberger KQ. Densely connected convolutional networks. arXiv:1608.06993. 2017:4700-8. https://doi.org/10.48550/arXiv.1608.06993
Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, et al. Going deeper with convolutions. arXiv:1409.4842. 2015:1-9. https://doi.org/10.48550/arXiv.1409.4842
Howard AG, Zhu M, Chen B, Kalenichenko D, Wang W, Weyand T, et al. Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv [Preprint]. 2017. arXiv:1704.04861.
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. arXiv [Preprint]. 2014. arXiv:1409.1556.
Hosna A, Merry E, Gyalmo J, Alom Z, Aung Z, Azim MA. Transfer learning: A friendly introduction. J Big Data. 2022;9:102. https://doi.org/10.1186/s40537-022-00652-w
Ministerio de Salud de Colombia. Guía de práctica clínica para la detección y manejo de lesiones precancerosas de cuello uterino. Bogotá, D. C.: Minsalud; 2014. p. 26-34.
Nanda K, McCrory DC, Myers ER, Bastian LA, Hasselblad V, Hickey JD, et al. Accuracy of the Papanicolaou test in screening for and follow-up of cervical cytologic abnormalities: A systematic review. Ann Intern Med. 2000;132:810-9. https://doi.org/10.7326/0003-4819-132-10-200005160-00009
Cao L, Yang J, Rong Z, Li L, Xia B, You C, et al. A novel attention-guided convolutional network for the detection of abnormal cervical cells in cervical cancer screening. Med Image Anal. 2021;73:102197. https://doi.org/10.1016/j.media.2021.102197
Sornapudi S, Brown GT, Xue Z, Long R, Allen L, Antani S. Comparing deep learning models for multi-cell classification in liquid-based cervical cytology images. AMIA Annu Symp Proc. 2019;2019:820-7. https://doi.org/10.48550/arXiv.1910.00722
Wang CW, Liou YA, Lin YJ, Chang CC, Chu PH, Lee YC, et al. Artificial intelligence-assisted fast screening cervical high grade squamous intraepithelial lesion and squamous cell carcinoma diagnosis and treatment planning. Sci Rep. 2021;11:16244. https://doi.org/10.1038/s41598-021-95545-y
Tang H, Cai D, Kong Y, Ye H, Ma Z, Lv H, et al. Cervical cytology screening facilitated by an artificial intelligence microscope: A preliminary study. Cancer Cytopathol. 2021;129:693-700. https://doi.org/10.1002/cncy.22425
Zhu XH, Li XM, Zhang WL, Liao MM, Li Y, Wang FF, et al. Clinical application of deep learning based artificial intelligence-assisted system in cervical cytology screening. Zhonghua Bing Li Xue Za Zhi. 2021;50:333-8. https://doi.org/10.3760/cma.j.cn112151-20201013-00780
Algunos artículos similares:
- Guillermo Terán-Ángel, Vestalia Rodríguez, Rosilved Silva, Olga Zerpa, Henk Schallig, Marian Ulrich, Maira Cabrera, Herramientas no invasivas en Venezuela: comparación entre las pruebas inmunoserológicas DAT, rK26 y rK39 en el diagnóstico de leishmaniasis visceral , Biomédica: Vol. 30 Núm. 1 (2010)
- Oscar F. Herrán, María F. Ardila, Martha P. Rojas, Gustavo A. Hernández, Diseño de cuestionarios de frecuencia de consumo para estudiar la relación dieta-cáncer en Colombia , Biomédica: Vol. 30 Núm. 1 (2010)
- Libia M. Rodríguez, Mabel C. Giraldo, Natalia García, Laura Velásquez, Sara C. París, Cristiam M. Álvarez, Luis F. García, Frecuencias alélicas, genotípicas y haplotípicas HLA-A, HLA-B, HLA-DRB1 en donantes fallecidos, Medellín, Colombia , Biomédica: Vol. 27 Núm. 4 (2007)
- Guillermo Terán-Angel, Henk Schallig, Olga Zerpa, Vestalia Rodríguez, Marian Ulrich, Maira Cabrera, Evaluación de una prueba de aglutinación directa como método alternativo para el diagnóstico de leishmaniasis visceral canina y humana en Venezuela , Biomédica: Vol. 27 Núm. 3 (2007)
- Juan Carlos Cataño, Síndrome miasténico de Eaton-Lambert , Biomédica: Vol. 30 Núm. 3 (2010)
- Juan Carlos Herrera, Luis Fernando Isaza, José Luis Ramírez, Gonzalo Vásquez, Carlos Mario Muñetón, Detección de aneuploidías del cromosoma 17 y deleción del gen TP53 en una amplia variedad de tumores sólidos mediante hibridación in situ fluorescente bicolor , Biomédica: Vol. 30 Núm. 3 (2010)
- Yenny M. Montenegro-Medina, Luz Aída Rey-Caro, Jurg Niederbacher, Ruth Aralí Martínez-Vega, Fredi Alexander Díaz-Quijano, Luis Ángel Villar-Centeno, Papel de los anticuerpos antiplaquetarios en la infección viral: una revisión sistemática de la literatura , Biomédica: Vol. 31 Núm. 1 (2011)
- Yaliana Tafurt-Cardona, Leidy D. Jaramillo-Ruiz, Wilson Muñoz-Ordóñez, Sulma L. Muñoz-Benítez, Carlos H. Sierra-Torres, Mayor frecuencia de aberraciones cromosómicas en linfocitos expuestos o no a mitomicina C, de mujeres posmenopáusicas obesas en comparación con mujeres no obesas del departamento del Cauca, Colombia , Biomédica: Vol. 32 Núm. 3 (2012)
- Edgar Martínez-Salazar, Alberto Tobón-Castaño, Silvia Blair, Malaria en humanos por infección natural con Plasmodium knowlesi , Biomédica: Vol. 32 (2012): Suplemento 1, Malaria
- Ricardo Cendales, Constanza Pardo, Claudia Uribe, Guillermo López, María Clara Yépez, Luis Eduardo Bravo, Calidad de los datos en los registros de cáncer de base de población en Colombia , Biomédica: Vol. 32 Núm. 4 (2012)
Derechos de autor 2025 Biomédica
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
| Estadísticas de artículo | |
|---|---|
| Vistas de resúmenes | |
| Vistas de PDF | |
| Descargas de PDF | |
| Vistas de HTML | |
| Otras vistas | |
