Detección automática de pólipos colorrectales con técnicas de inteligencia artificial

Abstract

El cáncer colorrectal (CCR) es uno de los tumores malignos con mayor prevalencia en Colombia y el mundo. Estas neoplasias se originan en lesiones adenomatosas o pólipos que deben resecarse para prevenir la enfermedad, lo cual se puede realizar con una colonoscopia. Se ha reportado que durante una colonoscopia se detectan pólipos en el 40 % de los hombres y en el 30 % de las mujeres (hiperplásicos, adenomatosos, serrados, entre otros), y, en promedio, un 25 % de pólipos adenomatosos (principal indicador de calidad en colonoscopia). Sin embargo, estas lesiones no son fáciles de observar por la multiplicidad de puntos ciegos en el colon y por el error humano asociado con el examen. Diferentes investigaciones han reportado que alrededor del 25 % de pólipos colorrectales no son detectados o se pasan por alto durante la colonoscopia y, como consecuencia, el paciente puede tener un cáncer de intervalo. Estas cifras muestran la necesidad de contar con un segundo observador (sistema de inteligencia artificial) que reduzca al mínimo la posibilidad de no detectar estos pólipos y, de este modo, sea posible prevenir al máximo el cáncer de colon.
 Objetivo: crear un método computacional para la detección automática de pólipos colorrectales usando inteligencia artificial en videos grabados de procedimientos reales de colonoscopia.
 Metodología: se usaron bases de datos públicas con pólipos colorrectales y una colección de datos construida en un Hospital Universitario. Inicialmente, se normalizan todos los cuadros de los videos para disminuir la alta variabilidad entre bases de datos. Posteriormente, la tarea de detección de pólipos se hace con un método de aprendizaje profundo usando una red neuronal convolucional. Esta red se inicia con pesos aprendidos en millones de imágenes naturales de la base de datos ImageNet. Los pesos de la red se actualizan usando imágenes de colonoscopia, siguiendo la técnica de ajuste fino. Finalmente, la detección de pólipos se realiza asignando a cada cuadro una probabilidad de contener un pólipo y determinando el umbral que define cuando el pólipo se encuentra presente en un cuadro.
 Resultados: este enfoque fue entrenado y evaluado con 1875 casos recopilados de 5 bases de datos públicas y de la construida en el hospital universitario, que suman aproximadamente 123 046 cuadros. Los resultados obtenidos se compararon con las marcaciones de diferentes expertos en colonoscopia y se obtuvo 0,77 de exactitud, 0,89 de sensibilidad, 0,71 de especificidad y una curva ROC (receiver operating characteristic) de 0,87.
 Conclusión: este método logra detectar pólipos de manera sobresaliente, superando la alta variabilidad dada por los distintos tipos de lesiones, condiciones diferentes de la luz del colon (asas, pliegues o retracciones) con una sensibilidad muy alta, comparada con un gastroenterólogo experimentado, lo que podría hacer que se disminuya el error humano, el cual es uno de los principales factores que hacen que no se detecte o se escapen los pólipos durante un examen de colonoscopia.

Comparative study of convolutional neural network architectures for gastrointestinal lesions classification

“…5 ), in which the entire pre-trained network is taken and the last fully connected layer is removed. This layer is replaced by a new one, where the number of neurons is equal to the number of classes in the classification task ( Gómez-Zuleta et al, 2021 ), in this case it was replaced by a fully connected layer of 10 neurons, which represents the 10 classes to be classified.…”

“…The work of Gómez-Zuleta et al (2021) presents a DL methodology for the automatic detection of polyps in colonoscopy procedures, Inception-v3, ResNet-50 and VGG-16 were the models assigned for this task. For classification, a transfer learning approach is used, and the resulting weights are used to start the new training process with colonoscopy images using the fine-tuning technique.…”

“…Today, endoscopy is the diagnostic technique of choice for CRC and other lesions of the gastrointestinal tract; nonetheless, its results can sometimes be falsely negative, leading to a delay in the diagnosis of CRC ( Levin et al, 2008 ). During endoscopic procedures, there are deficiencies in the detection of cancers and adenomatous polyps, as they are not easy to observe due to the different blind spots that exist in the colon ( Choi et al, 2014 ; Kaminski et al, 2010 ; Komeda et al, 2013 ; Yu et al, 2021 ), with an error rate of up to 26% ( Gómez-Zuleta et al, 2021 ; Zhao et al, 2019 ). In addition, approximately 50–60% of undetected lesions develop into interval cancer ( Pohl & Robertson, 2010 ).…”

“…In Mexico, CRC represents 8.6% of cancer fatalities, just after breast cancer and a 16.35% increase is expected in 2025, according to the International Agency for Research on Cancer (IARC). The exact cause of CRC is not known, however, different risk factors increase the probability of developing it, such as changes in lifestyle and diet, i.e ., a higher intake of animal-based foods, excessive alcohol consumption, smoking, and a more sedentary lifestyle, leading to decreased physical activity and increased body weight ( Bray et al, 2018 ; Gómez-Zuleta et al, 2021 ).…”

¿Podemos utilizar la indicación de colonoscopia como predictor de la tasa de detección de adenomas?

“…Finalmente, la calidad de la imagen en colonoscopia a través del uso de dispositivos o técnicas (35) es uno de los objetivos trazados para disminuir la proporción de adenomas no percibidos e impactar en la prevención de adenomas recurrentes y CCR (36) . El uso de la tecnología avanzada en imágenes endoscópicas que enfatice cambios en el color de la mucosa (LCI), coloraciones vitales y que provean imágenes más claras y brillantes (alta definición) (37) se deben considerar tanto para el tamizaje de la población de riesgo promedio como para los programas de vigilancia de lesiones precursoras de CCR, teniendo en cuenta la superioridad de la imagen respecto a la luz blanca convencional (38)(39)(40) ; sin embargo, esto no controla los denominados errores de reconocimiento, o aquellos relacionados con la atención y visualización del observador (39,41) .…”