A comparison of machine learning models for the detection of metastatic tissue in axillary lymph nodes

Abstract

[EN] Breast cancer is currently the leading cause of death due to cancer in women, after lung cancer. For its diagnosis and staging, detection of metastatic tissue in axillary lymph nodes is occasionally used, since lymphatic spread is the main prognostic factor, especially in early stages. However, the pathologist¿s work in this diagnosis is considerably complex and tedious, so the need to automate this process arises. In the present work, a comparison of several models based on traditional machine learning techniques for the extraction of features and subsequent classification of sections of axillary lymph nodes stained in H&E is developed, to identify whether they contain tissue with metastasis or not. Furthermore, the results are compared with those obtained with other cutting-edge machine learning techniques, specifically with the Convolutional Neural Networks. In this way, alternatives with good enough results are proposed to be applied to the clinical reality of hospitals, with a computational cost and lower needs than the most sophisticated techniques.

[ES] El cáncer de mama se impone en la actualidad como la principal causa de muerte por cáncer en mujeres, después del cáncer de pulmón. Para su diagnóstico y estadificación, en ocasiones se recurre a la detección de tejido metastásico en ganglios linfáticos axilares, ya que la diseminación linfática es el principal factor pronóstico, sobre todo en estadíos iniciales. Sin embargo, la labor del patólogo en este diagnóstico es considerablemente compleja y tediosa, por lo que nace la necesidad de automatizar este proceso. En el presente trabajo se desarrolla una comparativa de varios modelos basados en técnicas tradicionales de aprendizaje automático para la extracción de características y posterior clasificación de secciones de ganglios linfáticos axilares tintados en H&E, para identificar si contienen tejido con metástasis o no. Además, los resultados son comparados con los obtenidos con otras técnicas de vanguardia de aprendizaje automático, concretamente con las Redes Neuronales Convolucionales. De este modo, se proponen alternativas con resultados suficientemente buenos para ser aplicados a la realidad clínica de los hospitales, con un coste computacional y unas necesidades inferiores a las técnicas más sofisticadas.

[CA] El càncer de mama s’imposa en l’actualitat com la principal causa de mort per càncer en dones, després del càncer de pulmó. Per al seu diagnòstic i estadificació, a vegades es recorre a la detecció de teixit metastàtic en ganglis limfàtics axil·lars, ja que la disseminació limfàtica és el principal factor pronòstic, sobretot en estadis inicials. No obstant això, la labor del patòleg en aquest diagnòstic és considerablement complexa i tediosa, pel que naix la necessitat d’automatitzar aquest procés. En el present treball es desenvolupa una comparativa de diversos models basats en tècniques tradicionals d’aprenentatge automàtic per a l’extracció de característiques i posterior classificació de seccions de ganglis limfàtics axil·lars tintats en H&E, per a identificar si contenen teixit amb metàstasi o no. A més, els resultats són comparats amb els obtinguts amb altres tècniques d’avantguarda d’aprenentatge automàtic, concretament amb les Xarxes Neuronals Convolucionals. D’aquesta manera, es proposen alternatives amb resultats prou bons per a ser aplicats a la realitat clínica dels hospitals, amb un cost computacional i unes necessitats inferiors a les tècniques més sofisticades.