🔬 pathology

PRECISE: Benchmarking digital pathology with expert-annotated contiguous IHC-H&E serial prostate sections

El artículo presenta PRECISE, el primer conjunto de datos disponible públicamente de secciones seriadas de biopsia prostática de H&E e IHC, armonizadas espacialmente y anotadas por expertos, diseñado para servir como un referente multimodal robusto para el avance del diagnóstico asistido por IA mediante la segmentación semántica a nivel de píxel de todo el espectro morfológico de la patología prostática.

Autores originales: Calapaqui Teran, A. K., Gonzalez Bernad, A. A., Cobo Cano, M., Sanchez Magdaleno, L., Marcos Gonzalez, S., Delgado Bolton, R. C., Moustafa Calvo, J., Gomez Roman, J. J., Lara, L.

Publicado 2026-07-22

📖 3 min de lectura☕ Lectura para el café

CC BY 4.0

Autores originales: Calapaqui Teran, A. K., Gonzalez Bernad, A. A., Cobo Cano, M., Sanchez Magdaleno, L., Marcos Gonzalez, S., Delgado Bolton, R. C., Moustafa Calvo, J., Gomez Roman, J. J., Lara, L.

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ⚕️ Esta es una explicación generada por IA de un preprint que no ha sido revisado por pares. No es consejo médico. No tome decisiones de salud basándose en este contenido. Leer descargo de responsabilidad completo

Imagina que eres un detective intentando resolver un misterio dentro de una ciudad diminuta e invisible. Esta ciudad está hecha de células y, a veces, algunas de ellas se convierten en alborotadores llamados cáncer. Para encontrarlos, los médicos usan un tipo especial de microscopio que toma fotografías gigantes de alta definición de estas ciudades celulares. Estas fotos se llaman "Imágenes de Portaobjetos Completos" (Whole Slide Images). Normalmente, el detective usa una pintura estándar de color azul y rosa (llamada H&E) para colorear las células. Es como mirar un mapa en blanco y negro; puedes ver las formas, pero a veces los alborotadores se parecen tanto a los buenos que es difícil distinguirlos. Cuando el detective se confunde, pide una segunda opinión usando una pintura de "resaltador" especial (llamada IHC) que brilla sobre células específicas para demostrar quién es quién. Este proceso de dos pasos —mirar el mapa, luego revisar el resaltador— es cómo los médicos resuelven actualmente los casos más difíciles. Pero enseñar a las computadoras a realizar este trabajo de detective ha sido difícil porque la mayoría de los conjuntos de entrenamiento para computadoras solo muestran el mapa azul y rosa, dejando a la computadora adivinando cuándo se necesita el resaltador.

Aquí es donde entra en escena un nuevo proyecto llamado PRECISE. Piensa en PRECISE como el primer manual de entrenamiento "bilingüe" para detectives computacionales. En lugar de darle a la computadora solo una imagen, los investigadores crearon un conjunto de datos donde cada uno de los mapas de azul y rosa está emparejado perfectamente con su correspondiente mapa de resaltador. Tomaron 31 muestras diminutas de tejido prostático de 25 pacientes y crearon 27 conjuntos de estas imágenes emparejadas. Lo que hace que esto sea especial es que dos patólogos expertos (los detectives humanos) no solo las miraron; ellos dibujaron mapas detallados tanto en las versiones de azul y rosa como en las de resaltador, marcando exactamente dónde están el cáncer, las células buenas y las células complicadas de tipo "casi-cáncer". Incluso usaron la pintura de resaltador como un "suero de la verdad" para asegurarse de que sus mapas fueran 100% precisos. El resultado es una enorme biblioteca de 24,387 regiones etiquetadas que cubren siete tipos diferentes de tejido, incluyendo algunos raros y confusos que otros conjuntos de datos computacionales suelen ignorar.

El artículo no afirma que las computadoras puedan ahora curar el cáncer o que este conjunto de datos resuelva todos los problemas. En cambio, sugiere que este nuevo recurso es una herramienta poderosa para ayudar a los investigadores a construir una mejor IA. Los autores midieron los datos y descubrieron que, si bien las computadoras a veces pueden distinguir el cáncer de las células buenas solo por el color, todavía hay mucho solapamiento que hace que sea difícil estar seguro sin el ojo del experto. Al proporcionar estas imágenes emparejadas y anotadas por expertos, el equipo espera ayudar a la IA a aprender a detectar las sutiles diferencias que ven los humanos, especialmente en esos casos complicados donde el mapa estándar no es suficiente. Son cuidadosos al señalar que, debido a que los datos provienen de un solo hospital y de un grupo específico de pacientes, la IA podría necesitar práctica adicional antes de poder trabajar perfectamente en otros lugares. Pero por ahora, PRECISE ofrece una invitación abierta y única para que los científicos entrenen a sus detectives digitales en la forma real de dos pasos en la que trabajan los médicos, lo que potencialmente conducirá a diagnósticos más rápidos y precisos en el futuro.

Resumen Técnico: Conjunto de Datos PRECISE para Patología Prostática

Planteamiento del Problema
El desarrollo de modelos de aprendizaje profundo (DL) robustos y generalizables para el diagnóstico del cáncer de próstata se ve obstaculizado por la falta de datos de entrenamiento multimodales de alta fidelidad. Los repositorios públicos existentes, como PANDA o TCGA-PRAD, ofrecen predominantemente datos de una sola modalidad (H&E) con anotaciones gruesas (por ejemplo, puntuaciones de Gleason a nivel de portaobjetos) o clasificaciones binarias de tumor/benigno. Estos recursos a menudo no logran capturar todo el espectro morfológico encontrado en la práctica clínica, incluyendo lesiones precursoras raras (por ejemplo, Neoplasia Intraepitelial Prostática de Alto Grado [HGPIN], Carcinoma Intraductal [IDC-P]) y entidades confusas (por ejemplo, variaciones estromales, artefactos). Además, los conjuntos de datos actuales no reflejan el flujo de trabajo de diagnóstico clínico estándar de dos etapas, donde la inmunohistoquímica (IHC) se utiliza como una herramienta auxiliar para resolver la incertidumbre morfológica en las laminillas de H&E. La ausencia de anotaciones de nivel de píxel, espacialmente armonizadas, a través de modalidades pareadas de H&E e IHC crea un cuello de botella para el entrenamiento de sistemas de IA multimodales capaces de replicar este consenso diagnóstico.

Metodología
Los autores presentan PRECISE (PRostate Expert-annotated Contiguous IHC–H&E Serial sEctions), un conjunto de datos de histopatología híbrido construido a partir de 37 biopsias de núcleo prostático (CNB) de 25 pacientes únicos.

Adquisición de Datos: Los especímenes fueron procesados mediante biopsia transrectal estándar, fijados en formalina y embebidos en parafina. Se generaron secciones seriadas (espesor de 3 µm): la sección primaria fue teñida con Hematoxilina y Eosina (H&E), y la sección inmediatamente adyacente fue teñida con un cóctel de doble inmunohistoquímica de Queratina de Alto Peso Molecular (HMWCK) y $\alpha$ -metilacil-CoA racemasa (AMACR).
Digitalización: Las laminillas fueron escaneadas con una magnificación de 20× utilizando escáneres de portaobjetos completos 3DHISTECH P250 y P1000, produciendo imágenes con una resolución espacial de 0.243 µm/píxel. Los datos se exportaron como archivos OME-TIFF piramidales con compresión sin pérdida LZW.
Flujo de Trabajo de Anotación: Se empleó un riguroso proceso de consenso de tres etapas realizado por dos urólogos expertos (8 y 10 años de experiencia).
1. Trazado Independiente: Un patólogo anotó todas las estructuras relevantes en las laminillas de H&E e IHC.
2. Revisión: Un segundo patólogo revisó las anotaciones para asegurar la consistencia y la concordancia de los bordes.
3. Consenso: Ambos expertos resolvieron las discrepancias mediante una revisión conjunta.
- Verdad Fundamental (Ground Truth): Las laminillas de IHC (específicamente HMWCK para células basales y AMACR para la expresión de racemasa) sirvieron como la verdad biológica para definir los límites precisos de las clases desafiantes.
Clases: El conjunto de datos incluye siete clases diagnósticamente críticas: Glándulas malignas (Tumor), Glándulas benignas, Tejido estromal, HGPIN, Carcinoma intraductal (IDC-P), Proliferación intraductal atípica (AIP) y Artefactos de tejido.
Generación de Estroma: Mientras que la mayoría de las clases fueron anotadas manualmente, la clase "Estroma" fue generada mediante un flujo de trabajo automatizado que involucró umbralización de intensidad y refinamiento morfológico para completar las regiones de tejido no etiquetadas, asegurando una cobertura semántica completa.
Armonización: Las anotaciones están "semánticamente armonizadas", lo que significa que las regiones de tejido correspondientes en las secciones seriadas comparten etiquetas de clase consistentes. Sin embargo, los autores señalan explícitamente que, debido a la deformación física del tejido durante el seccionamiento seriado, no se garantiza un registro geométrico perfecto píxel a píxel sin un registro elástico adicional.

Contribuciones Clave

Primer Conjunto de Datos Híbrido Público: PRECISE es el primer conjunto de datos disponible públicamente que ofrece imágenes de portaobjetos completos de H&E e IHC contiguos y pareados de CNB de próstata con anotaciones de píxel de experto armonizadas a través de ambas modalidades.
Espejo del Flujo de Trabajo Clínico: La estructura del conjunto de datos replica directamente el flujo de trabajo clínico "H&E-entonces-IHC", proporcionando una base realista para el entrenamiento de sistemas de IA multimodales diseñados para resolver la incertidumbre diagnóstica.
Diversidad de Clases Granular: A diferencia de los conjuntos de datos binarios, PRECISE captura todo el espectro morfológico, incluyendo lesiones precursoras raras y desafiantes (HGPIN, IDC-P, AIP) y artefactos, sumando un total de 24,387 anotaciones validadas por expertos.
Listo para IA (AI-Readiness): Los datos se liberan en un formato listo para usar (OME-TIFF piramidal) con máscaras de segmentación correspondientes (arreglos uint8 con IDs de clase 0–7), lo que no requiere preprocesamiento manual adicional para los flujos de trabajo de aprendizaje profundo.
Ciencia Abierta: El conjunto de datos y el código acompañante (incluyendo herramientas para visualización multimodal, refinamiento morfológico y automatización de QuPath) están disponibles abiertamente bajo licencias CC-BY 4.0 y Apache 2.0.

Resultados y Validación

Estadísticas del Conjunto de Datos: El conjunto de datos comprende 27 WSIs (25 sujetos) con un total combinado de 24,387 regiones anotadas. La distribución está fuertemente sesgada hacia Tumor (5,347 instancias de H&E) y Estroma (8,107 instancias de H&E), con clases raras como IDC-P (5 instancias) y AIP (3 instancias) representadas por números pequeños.
Análisis Cromático: Un análisis preliminar del espacio de color CIELAB (específicamente el canal a que representa la rojez) reveló que, si bien las regiones tumorales exhiben valores de a más altos que las glándulas benignas, existe un solapamiento significativo (AUROC de 0.913 para un clasificador de solo color). Esto confirma que el color por sí solo es insuficiente para la diferenciación y subraya la necesidad de anotaciones morfológicas expertas.
Limitaciones Reconocidas: Los autores señalan que los datos son de un solo centro (Santander, España), lo que puede limitar la generalización a otros escáneres o protocolos de tinción. El desequilibrio de clases plantea un desafío para el aprendizaje supervisado. Además, la falta de un registro garantizado píxel por píxel entre las secciones seriadas es una restricción conocida para tareas que requieren un alineamiento geomético estricto.

Significado
El artículo posiciona a PRECISE como un recurso crítico para avanzar la patología computacional desde la simple detección de tumores hacia el análisis exhaustivo del microambiente. Al proporcionar un benchmark multimodal que incluye lesiones precursoras raras y mímicos, el conjunto de datos tiene como objetivo:

Facilitar el desarrollo de algoritmos de IA capaces de asistir en el cribado clínico de rutina y reducir la discordancia diagnóstica.
Permitir la investigación en aprendizaje autosupervisado y traducción entre modalidades (por ejemplo, generar sustitutos de IHC a partir de H&E).
Apoyar la creación de modelos robustos que puedan manejar la complejidad del flujo de trabajo diagnóstico de dos etapas utilizado en el mundo real.

Los autores enfatizan que, si bien el conjunto de datos respalda la investigación reproducible, los modelos entrenados en él requieren una validación externa rigurosa en cohortes diversas y multicéntricas antes de su despliegue clínico. El recurso está destinado a democratizar el acceso a datos de alta fidelidad, desplazando el paradigma hacia una IA diagnóstica más matizada y multiclase.

Más como este