Diseño y desarrollo de software para el análisis de patrones microscópicos de crecimiento tumoral en pacientes con carcinoma vesical

Abstract

[ES] El cáncer de vejiga es una de las clases más frecuentes de cáncer en el mundo y afecta principalmente a la población masculina adulta, en edades comprendidas entre los 60-65 años. Las variantes de carcinoma vesical se engloban en 2 tipos: el músculo no invasivo o también conocido por sus siglas en inglés NMIBC (Non Muscle Invasive Bladder Cancer) y el músculo invasivo o en inglés (Muscle Invasive Bladder Cancer), siendo este último el más agresivo de los dos, ya que su progreso tiende a propagarse hacia el exterior del órgano afectado (en este caso, la vejiga) comprometiendo de esta manera a tejidos y órganos vitales. Este proceso es conocido como metástasis de la enfermedad. Es por ello, que la detección temprana de patrones asociados a esta patología es de vital importancia ya que pueden ayudar a detectar su estadio y su malignidad. Según estudios recientes, el tumor budding (TB) o también conocido como patrón infiltrativo, es un factor predictor de progresión del cáncer de vejiga o carcinoma urotelial. Con el avance de la inteligencia artificial (AI) en sistemas de aprendizaje profundo, las redes neuronales convolucionales han demostrado ser un poderoso algoritmo para poder avanzar en el campo del análisis de las imágenes histopatológicas médicas para la detección de carcinomas[33] [51] frente a los sistemas de detección tradicionales. En el presente Trabajo Fin de Máster (TFM) se propone implementar y desarrollar algoritmos para la detección de patrón budding sobre imágenes de muestras histopatológicas de carcinoma vesical músculo infiltrantes a través de técnicas de Deep learning; como la transferencia de conocimiento (transfer learning) o el modelado de una red neuronal convolucional desde cero (from scratch). Los resultados obtenidos en este TFM nos invitan a seguir esta línea de investigación para seguir mejorando el modelado de la red, la obtención de más imágenes y contribuir de esta manera a la creación de un software de ayuda al diagnóstico computarizado (CAD).

[EN] Bladder cancer is one of the most frequent types of cancer in the world and mainly affects the adult male population, aged between 60-65 years. The variants of bladder carcinoma are included in 2 types: the non-invasive muscle or also known by its acronym in English NMIBC (Non Muscle Invasive Bladder Cancer) and the invasive muscle or in English (Muscle Invasive Bladder Cancer), the latter being the most aggressive of the two, since its progress tends to spread to the outside of the affected organ (in this case, the bladder), thus compromising vital tissues and organs. This process is known as metastatic disease. For this reason, the early detection of patterns associated with this pathology is of vital importance since they can help detect its stage and malignancy. According to recent studies, the budding tumor (TB) or also known as infiltrative pattern, is a predictor of progression of bladder cancer or urothelial carcinoma. With the advancement of artificial intelligence (AI) in deep learning systems, convolutional neural networks have proven to be a powerful algorithm to advance the field of medical histopathological image analysis for carcinoma detection[33] [51] compared to traditional detection systems. In this Master's Thesis (TFM) it is proposed to implement and develop algorithms for the detection of budding patterns on images of histopathological samples of muscle-infiltrating bladder carcinoma through Deep learning techniques; such as transfer learning or modeling a convolutional neural network from scratch. The results obtained in this TFM invite us to continue this line of research to continue improving the modeling of the network, obtaining more images and thus contributing to the creation of computerized diagnostic aid software (CAD).