Shape-supervised network for cross-domain nuclei instance segmentation

En el mundo silencioso y microscópico del cuerpo humano, la historia de la salud y la enfermedad se escribe a menudo en la forma y disposición de las células. Los patólogos, los médicos que examinan muestras de tejido bajo un microscopio, dependen en gran medida del conteo y análisis de los núcleos celulares —los centros de mando centrales y oscuros que se encuentran en casi todas las células—. Cuando estos núcleos están agrupados estrechamente, o cuando presentan formas inusuales debido al cáncer o la infección, la tarea de identificar cada uno de ellos se vuelve increíblemente difícil. Durante décadas, los científicos han intentado enseñar a las computadoras a realizar este trabajo de forma automática, con la esperanza de acelerar los diagnósticos y reducir la carga del trabajo manual. Sin embargo, los programas informáticos estándar suelen tener dificultades cuando pasan de un tipo de muestra de tejido a otro, o cuando las células están tan agrupadas que sus límites se desdibujan en una masa única e indistinta. El desafío no radica solo en ver las células, sino en comprender que cada una es un objeto separado y distinto con una forma predecible, incluso cuando la imagen es desordenada o proviene de un laboratorio diferente.

Un equipo de investigadores ha desarrollado un nuevo enfoque para resolver este problema, creando un sistema que enseña a una computadora a reconocer células mediante su forma esperada. En lugar de simplemente pedirle a la computadora que dibuje una línea alrededor de cada mancha oscura que ve, el nuevo método, llamado SSNet, actúa más como un guía que verifica constantemente el trabajo contra un modelo mental de cómo debería ser un núcleo celular sano. Los investigadores se dieron cuenta de que, si bien las células individuales pueden variar, generalmente comparten una estructura común de tipo ovalada. Al construir un sistema que utiliza este conocimiento como una regla, pudieron entrenar a una computadora para separar células agrupadas con mayor precisión que los métodos anteriores, incluso al observar imágenes de diferentes hospitales o preparadas de distintas maneras.

El núcleo de este nuevo sistema es un proceso de tres pasos que trabajan juntos como una unidad cohesiva. Primero, una red informática escanea una imagen para encontrar todas las áreas donde están presentes los núcleos celulares, creando un mapa aproximado del primer plano. Luego, una herramienta matemática agrupa estas áreas en candidatos individuales, tratando de determinar dónde termina una célula y dónde comienza otra. Finalmente, el sistema verifica la forma de cada candidato. Si un candidato parece un óvalo suave, es aceptado. Si parece dentado, estirado o de forma extraña, el sistema sabe que algo anda mal. Este "control de forma" no es solo una revisión final; se utiliza como una señal de enseñanza. El sistema devuelve esta información al primer paso, diciéndole a la computadora: "Te saltaste el límite aquí" o "Fusionaste dos células en una", y ajusta sus futuras suposiciones en consecuencia. Esto crea un bucle de retroalimentación donde la computadora aprende a dibujar límites más limpios y precisos porque se le recuerda constantemente la forma ovalada natural de las células que intenta encontrar.

Para probar si esta idea funcionaba, los investigadores entrenaron su sistema con una gran colección de imágenes de bases de datos públicas y luego lo desafiaron con datos nuevos y no vistos. Utilizaron imágenes de nueve tipos diferentes de órganos, así como muestras privadas de hospitales en China que contenían miles de células cervicales densamente agrupadas. Los resultados fueron sorprendentes. Cuando el sistema fue probado con imágenes que nunca había visto, identificó y separó núcleos individuales con un alto grado de precisión. En un conjunto de pruebas que involucraba miles de células de laminillas de tejido completas, el nuevo método identificó correctamente casi el 99 por ciento de las células y fue preciso en su etiquetado aproximadamente el 97 por ciento de las veces. Esto superó a varios otros programas informáticos líderes, que tendían a omitir células pequeñas ocultas en grupos densos o a fusionar erróneamente dos células separadas en un solo bloque.

La verdadera fuerza de este enfoque se hizo evidente cuando los investigadores probaron su capacidad para manejar diferentes estilos de imágenes. En el mundo real, las muestras de tejido pueden verse muy diferentes dependiendo de cómo se tiñan o qué microscopio se utilice. Una computadora entrenada en un tipo de imagen suele fallar cuando se le muestra otra. Sin embargo, debido a que el nuevo sistema se basa en la forma fundamental de la célula en lugar de solo en los colores o texturas específicos de la imagen, se mantuvo robusto. Cuando los investigadores entrenaron el sistema con datos de un hospital y luego lo probaron con datos de otros tres hospitales con estilos de imagen completamente diferentes, el rendimiento se mantuvo casi idéntico. La tasa de error al identificar células individuales se mantuvo por debajo del dos por ciento, demostrando que el sistema había aprendido una regla universal sobre la forma de la célula en lugar de solo memorizar un conjunto específico de imágenes.

Los investigadores también exploraron por qué este método funcionaba tan bien comparándolo con sistemas que no utilizaban la guía de la forma. Sin el control de la forma, la computadora a menudo producía contornos irregulares y dentados que dificultaban saber dónde terminaba una célula y comenzaba otra. Estos límites desordenados provocaban errores donde la computadora dividía una sola célula en dos o pegaba dos células separadas. Al imponer la regla de que las células deberían ser generalmente ovales, el sistema suavizó estos errores, produciendo formas limpias y distintas que coincidían mucho más estrechamente con la verdad de campo. El estudio sugiere que, si bien las células pueden ser deformadas por enfermedades, rara vez pierden su estructura ovalada básica por completo, y utilizar esta simple verdad geométrica como guía es una forma poderosa de mejorar la visión computacional en medicina.

Este trabajo no pretende resolver todos los problemas del análisis celular. Los investigadores reconocen que su método podría tener dificultades con células que son extremadamente irregulares o que están dañadas más allá del reconocimiento, ya que el sistema está construido sobre la suposición de que las células son aproximadamente ovales. También señalan que la arquitectura de red actual es relativamente simple y podría refinarse más. Sin embargo, los hallazgos ofrecen un camino claro a seguir: al combinar la capacidad de ver con el conocimiento de qué esperar, las computadoras pueden convertirse en compañeras mucho más confiables para los médicos. El código y los modelos desarrollados en este estudio están ahora disponibles para que otros los utilicen, ayudando potencialmente a estandarizar y mejorar la precisión de los diagnósticos de cáncer y otras evaluaciones patológicas en diferentes laboratorios y regiones.