Clasificación automatizada de sobreexpresión de proteína HER2 en biopsias digitalizadas de cáncer gástrico teñidas inmunohistoquímicamente

Abstract

Chile es el séptimo país del mundo donde el cáncer gástrico es más frecuente, siendo además el segundo tipo de cáncer más mortal en el país. En 2010, se demostró que en casos de cáncer gástrico avanzado con sobreexpresión de la proteína HER2, un tratamiento con un anticuerpo llamado Trastuzumab puede prolongar la sobrevida del paciente de manera estadísticamente significativa. Para determinar la sobreexpresión de HER2, se realiza un examen inmunohistoquímico sobre una biopsia gástrica, la cual es luego analizada por un patólogo. Este proceso, si bien está estandarizado mediante guías clínicas, es inherentemente subjetivo, lo cual genera que exista variabilidad en el diagnóstico entregado por distintos especialistas. Por otro lado, durante los últimos años los campos de aprendizaje de máquinas y aprendizaje profundo han experimentado una explosión, en especial en lo relativo a clasificación de imágenes. Por ello, con el fin de proveer una herramienta de apoyo en el proceso de evaluación llevado a cabo por los patólogos, en el presente trabajo se estudió cómo clasificar una biopsia digitalizada de cáncer gástrico con tinción inmunohistoquímica de acuerdo a su sobreexpresión HER2, utilizando técnicas de procesamiento de imágenes y modelos de Deep Learning. Además, se buscó que los modelos generados siguieran en lo posible los procesos recomendados en las guías clínicas correspondientes. Tras probar varias configuraciones experimentales, se construyó un algoritmo de clasificación que logra buenos resultados, con una recuperación de 100% de las clases Equívoco y Positivo, las más relevantes en términos clínicos. Las clasificaciones de biopsias realizadas por el mejor modelo construido obtienen una concordancia de 89% con respecto a lo evaluado por el patólogo que generó el conjunto de datos utilizado, con un kappa de Cohen de 0.61. Este grado de concordancia es catalogado como considerable, y está en el mismo rango que la concordancia obtenida entre patólogos al evaluar el examen de sobreexpresión HER2. De todas maneras, esta concordancia es menor a la obtenida en trabajos similares que utilizan deep learning para clasificar la sobreexpresión de esta proteína en cáncer de mama. Además, a nuestro conocimiento no existen trabajos que utilicen aprendizaje de máquinas y un enfoque de replicación del proceso diagnóstico para clasificar la sobreexpresión de HER2 en biopsias de cáncer gástrico. Por otro lado, se dieron los primeros pasos para la construcción de un sistema de visualización de sobreexpresión HER2 sobre una biopsia, lo cual permitiría que un patólogo pudiera fácilmente identificar cómo el algoritmo clasificó cada zona de la muestra, paliando en parte el hecho de que las redes neuronales convolucionales suelen ser consideradas como un sistema de caja negra, y proveyendo así un grado de interpretabilidad imprescindible en la práctica médica.