Análisis histopatológico y cuantitativo de un carcinoma de células escamosas canino mediante procesamiento digital de imágenes y clasificación automatizada con machine learning
Quantitative histopathological analysis of a canine squamous cell carcinoma using digital image processing and machine learning-based classification
DOI:
https://doi.org/10.19137/cienvet.v28.10055Palabras clave:
Carcinoma de células escamosas, Patologia digital, Machine learning, Procesamiento de imágenes, Random Forest, PerroResumen
El carcinoma de células escamosas (CCE) es una de las neoplasias malignas cutáneas más frecuentes en caninos, y su diagnóstico se basa en la evaluación histopatológica subjetiva del patólogo. El objetivo de este estudio fue desarrollar y evaluar un pipeline computacional para el análisis cuantitativo de imágenes histopatológicas de CCE canino, mediante procesamiento digital de imágenes y clasificación automatizada de células con machine learning. Se procesó una fotomicrografía digital de un CCE cutáneo canino (tinción H&E) mediante umbralización de Otsu, filtrado morfométrico y extracción de descriptores celulares (área, perímetro, excentricidad, solidez y circularidad). Se identificaron 79 regiones de interés, de las cuales 63 fueron clasificadas manualmente por un patólogo experto (33 tumorales, 30 inflamatorias). Se entrenó un clasificador Random Forest (100 árboles) con división 70/30 estratificada. El modelo alcanzó una exactitud de 52,6% (F1 macro = 0,52) en el conjunto de prueba, con la circularidad como el descriptor más importante (importancia relativa: 0,229). Las células tumorales presentaron mayor área (1227 ± 876 px) y excentricidad (0,73 ± 0,17) que las inflamatorias (1034 ± 779 px; 0,69 ± 0,14). Los resultados demuestran que las características morfométricas tradicionales permiten una diferenciación preliminar entre poblaciones celulares, pero su poder discriminatorio es limitado, lo que justifica la necesidad de abordajes de deep learning en estudios futuros. El pipeline implementado constituye una herramienta accesible y reproducible para la cuantificación objetiva en patología veterinaria
Referencias
1. Withrow SJ, Vail DM, Page RL. Withrow & MacEwen's small animal clinical oncology. 5th ed. St. Louis: Elsevier Saunders; 2013.
2. Goldschmidt MH, Goldschmidt KH. Classification of epithelial and melanocytic tumors of the skin of dogs and cats. In: Meuten DJ, editor. Tumors in domestic animals. 5th ed. Ames: Wiley-Blackwell; 2017. p. 164-169.
3. Gross TL, Ihrke PJ, Walder EJ, Affolter VK. Skin diseases of the dog and cat: clinical and histopathologic diagnosis. 2nd ed. Oxford: Blackwell Science; 2005.
4. Peiffer RL, Spencer C, Popp JA. Grades of malignancy and prognosis in canine cutaneous squamous cell carcinoma. Vet Pathol. 1984;21(1):95-96. Disponible en: https://doi.org/10.1177/030098588402100118
5. van der Laak J, Litjens G, Ciompi F. Deep learning in histopathology: the path to the clinic. Hum Pathol. 2021; 110:11-22. Disponible en: https://doi.org/10.1016/j.humpath.2020.11.007
6. Otsu N. A threshold selection method from gray-level histograms. IEEE Trans Syst Man Cybern. 1979;9(1):62-66. Disponible en: https://doi.org/10.1109/TSMC.1979.4310076
7. Breiman L. Random forests. Mach Learn. 2001;45(1):5-32. Disponible en: https://doi.org/10.1023/A:1010933404324
8. van der Walt S, Schönberger JL, Nunez-Iglesias J, Boulogne F, Warner JD, Yager N, et al. scikit-image: image processing in Python. PeerJ. 2014;2: e453. Disponible en: https://doi.org/10.7717/peerj.453
9. Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, et al. Scikit-learn: machine learning in Python. J Mach Learn Res. 2011; 12:2825-2830.
10. Gonzalez RC, Woods RE. Digital image processing. 4th ed. New York: Pearson; 2018.
11. Meuten DJ, editor. Tumors in domestic animals. 5th ed. Ames: Wiley-Blackwell; 2017.
12. Meuten DJ, Everitt JF, Reindel JH, Moore RR. Canine cutaneous squamous cell carcinoma: a review of 55 cases. Vet Pathol. 1985;22(5):485. Disponible en: https://doi.org/10.1177/030098588502200515
13. Haralick RM, Shanmugam K, Dinstein I. Textural features for image classification. IEEE Trans Syst Man Cybern. 1973; SMC-3(6):610-621. Disponible en: https://doi.org/10.1109/TSMC.1973.4309314
14. Couteaux V, Si-Mohamed S, Nempont O, Leforestier G, Salomon A, Pellegrinelli J, et al. Deep learning-based classification of metastatic breast cancer histopathology images. Proc IEEE Int Symp Biomed Imaging. 2019; 2019:1110-1113. Disponible en: https://doi.org/10.1109/ISBI.2019.8759482
15. Echle A, Rindtorff NT, Brinker TJ, Luedde T, Pearson AT, Kather JN. Deep learning in cancer pathology: a new generation of clinical biomarkers. Br J Cancer. 2021;124(4):686-696. Disponible en: https://doi.org/10.1038/s41416-020-01122-x
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2026 Arnulfo Villanueva Castillo, César F. Pastelín-Rojas, Hermilo Lucio-Castillo, Jesús J. Hinojosa-Moya, Fabiola Rodríguez-Andrade, Miguel Á. Zambrano-González, Erick C. Fernández-Meneses, Briseida L. Castro-Bautista, Claudia Mancilla-Simbro, Ruby Sandy Moreno-Mejía, Alberto Ramírez-Mata
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Al momento de enviar sus contribuciones, los colaboradores deberán declarar , de manera fehaciente, que poseen el permiso del archivo o repositorio donde se obtuvieron los documentos que se anexan al trabajo, cualquiera sea su formato (manuscritos inéditos, imágenes, archivos audiovisuales, etc.), permiso que los autoriza a publicarlos y reproducirlos, liberando a la revista y sus editores de toda responsabilidad o reclamo de terceros , los autores deben adherir a la licencia Creative Commons denominada “Atribución - No Comercial CC BY-NC-SA”, mediante la cual el autor permite copiar, reproducir, distribuir, comunicar públicamente la obra y generar obras derivadas, siempre y cuando se cite y reconozca al autor original. No se permite, sin embargo, utilizar la obra con fines comerciales.
Cómo citar
.jpg)
