Detección automática de tejido con metástasis en secciones de ganglios linfáticos de pacientes con cáncer de mama mediante redes neuronales convolucionales

Abstract

[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 proponen modelos basados en Redes Neuronales Convolucionales para la identificación de metástasis en secciones de ganglios linfáticos axilares tintados en H&E. Se exponen modelos de redes diseñadas específicamente para este objetivo y modelos basados en ajuste fino de redes pre-entrenadas, algunos de ellos con rendimientos suficientemente buenos para su aplicación en la realidad clínica de los hospitales. Además, se comparan estas técnicas de vanguardia con otras basadas en extractores de características y clasificadores tradicionales de aprendizaje automático, identificando las ventajas y desventajas de cada planteamiento. Finalmente, se realiza un estudio Grad-CAM que sirve como herramienta para la comprensión del aprendizaje profundo, ya que permite al patólogo la visualización de las activaciones de las redes propuestas.

[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, we propose models based on Convolutional Neural Networks for the identification of metastasis in sections of axillary lymph nodes stained in H&E. Models developed from scratch and models based on fine-tuning of pre-trained networks are exposed, some of them with performances good enough for their application in the clinical reality of hospitals. In addition, these state-of-the-art techniques are compared to others based on traditional machine learning feature extractors and classifiers, identifying the advantages and disadvantages of each approach. Finally, a Grad-CAM study is carried out that serves as a tool for the comprehension of deep learning, since it allows the pathologist to visualize the activations of the proposed networks.