La Patología Digital, el gran abanico multicolor abierto a investigadores del Área de la Salud

Rosa Noguera Salvá

Catedrática de Histología, en el Dpto. de Patología, Facultad de Medicina, Universidad de Valencia. Investigadora Principal del Grupo de Investigación CB16/12/00484 del Centro de Investigación Biomédica en Red de Cáncer (CIBERONC) y del Instituto de Investigación Sanitaria del Hospital Clínico Universitario de Valencia (INCLIVA).

Introducción

El campo de la histopatología ha ido evolucionando en las últimas décadas y los avances han sido impulsados en gran medida por tecnología innovadora. La inmunohistoquímica permitió un cambio de paradigma en el descubrimiento y la evaluación diagnóstica, seguido de avances genómicos que permitieron la caracterización patológica submicroscópica, y ahora el campo de la patología digital, junto con la inteligencia artificial (IA), está abriendo nuevas vías de investigación, docencia y protocolos de asistencia sanitaria con su implementación en la labor asistencial. Los enfoques de patología tradicionales siguen desempeñando un papel trascendente en el diagnóstico, la evaluación semicuantitativa o cualitativa de biomarcadores y la clasificación de enfermedades. En este contexto, los avances tecnológicos y la mayor orientación en la medicina de precisión están favoreciendo el camino de la patología digital para evaluaciones morfométricas y topológicas cuantitativas de los diversos biomarcadores. Para realizar adecuadamente estos recorridos y aplicar la patología digital para beneficio de todos en el área de la salud, las interacciones con las instrucciones correctas dadas por parte de los profesionales implicados (patólogos, histólogos y científicos computacionales), son clave. Esta narración tiene como objetivo proporcionar una visión general del potencial transformador e innovador de la patología digital y la IA en la remodelación de las prácticas de diagnóstico clínico, diseño de nuevos estudios, desarrollos o investigaciones oncológicas.

1. ¿Qué es la Patología Digital?

La patología digital aglutina la adquisición, gestión, intercambio e interpretación de información incluidas en las imágenes microscópicas de las muestras tisulares y datos clínico-biológicos, alejándose del entorno analógico hacia un entorno electrónico. Las imágenes microscópicas digitales se crean utilizando escáneres para capturar una imagen de alta resolución de muestras en portaobjetos de vidrio, para su evaluación en un ordenador o dispositivo móvil. Las imágenes digitales se pueden almacenar y compartir a través de redes utilizando aplicaciones de software especializados en patología digital. Así mismo, también se pueden aplicar herramientas automatizadas de análisis de imágenes para ayudar en la interpretación y cuantificación de la expresión de biomarcadores de rutina dentro de secciones de tejido. Con una integración adecuada, los sistemas de aprendizaje automático en el flujo de trabajo clínico permiten a los patólogos aumentar la prestación de atención de calidad al paciente. Además, existe una oportunidad de la patología digital para análisis cuantitativos de diagnósticos complementarios emergentes y abordajes diagnósticos enfocado a intervenciones terapéuticas novedosas. Esta oportunidad puede volverse especialmente relevante para los investigadores del área de salud. Los ensayos que son difíciles de discernir con el ojo humano, como las plataformas de inmunotinción múltiplex o simultánea, marcadores que exhiben características de tinción difusa en múltiples compartimentos celulares de los cuales solo uno puede ser clínicamente relevante o la alineación de las fibras de la matriz extracelular con respecto al límite del nicho tumoral, son solo algunos ejemplos de las apreciables ventajas de la aplicación de la patología digital en la investigación biomédica. La creciente complejidad de tales ensayos está impulsando el desarrollo de soluciones de patología digital con captura de imágenes avanzada de alto rendimiento (campo claro, fluorescente o multiespectral) junto con el reconocimiento de patrones para identificar morfológicamente tipos de tejido relevantes, compartimentos celulares individuales y elementos tisulares de matriz extracelular, seguido de la capacidad de cuantificar intensidad de tinción junto con otros parámetros morfométricos, incluidas por ejemplo, las interrelaciones y disposiciones espaciales. De hecho, esto está conduciendo a la llegada de sistemas de patología digitales que pueden ofrecer una puntuación de diagnóstico o pronóstico clínicamente relevante al incluir el resultado del análisis microscópico y genético de las muestras con otros datos biológicos y clínicos de los pacientes. Gran parte del potencial sin explotar de la patología digital puede estar en la capacidad potencial de generar puntuaciones de diagnóstico o pronóstico combinando datos e imágenes de histoquímica o inmunohistoquímica con los de otras modalidades como por ejemplo espectrometría de masas y/o análisis de imagenología (radiografías, tomografía computarizada, imágenes por resonancia magnética, y otros estudios radiográficos) en un esfuerzo por lograr una estratificación de pacientes individualizada.

2. La Inteligencia Artificial (IA) asociada a la Patología Digital

La patología digital presenta un crecimiento reciente estimulada en los últimos años por tres vicisitudes: la posibilidad de obtener visualizaciones histológicas virtuales (whole slide imaging, WSI) en la práctica clínica, el incremento de muestras derivadas de los diversos cribados de diagnóstico precoz junto con la escasez de patólogos (se jubilan más patólogos que los que ingresan al campo). Este contexto está creando frentes de investigación que aplican el análisis asistido por IA, es decir, el aprendizaje automático y la adquisición de grandes datos, para ayudar a los patólogos. El diagnóstico automatizado, ayudando en el apoyo a la decisión clínica, aumentando la eficiencia y calidad del diagnóstico, es el impacto significativo presente de la patología digital en la remodelación de los enfoques de diagnóstico. Sin embargo, la naturaleza compleja de los WSI requiere tratamientos especiales para crear un modelo de IA confiable para el diagnóstico. A su vez, los WSI presentan múltiples desafíos para la lectura, visualización, almacenamiento y análisis. Por este motivo, se están desarrollado varias tecnologías para facilitar el manejo de estas imágenes. Las soluciones que conducen al avance de la IA, como herramienta de diagnóstico y desarrollo de nuevos estudios y proyectos en patología, están basadas inicialmente en la comunicación efectiva entre patólogos, histólogos y los investigadores analistas de imagen o científicos computacionales. El patólogo proporciona una anotación inicial de las estructuras tisulares normales y patológicas, incluida la presencia de los diversos tipos celulares, elementos de la matriz extracelular y de otras estructuras tisulares como membranas basales, vasos y nervios. Resalta las características morfológicas generales patológicas de las estructuras presentes, como densidad, forma, tamaño e irregulares celulares, proteínas fibrilares, proteinglucanos y glucoproteínas, evaluando la especificidad y compartimentos estructurales de las tinciones empleadas. El histólogo facilita una visión amplia y detallada de los estados no lesionales (euplásicos proplásicos y retroplásicos) existentes a nivel celular, tisular y de los órganos, que permiten distinguir la base morfoestructural en el que asientan las lesiones.  Todos los elementos tisulares con sus variaciones en estado de salud, renovación, regeneración reparación, defensa y/o envejecimiento han de ser reconocidos y sistematizados microscópicamente para no ser indebidamente catalogados como lesiones. Por último, el analista de imagen o científico computacional debe ser capaz de comprender y diferenciar las características morfológicas traduciéndolas en variables morfométricas, como forma redonda con circularidad, forma irregular con solidez, porcentaje de elementos expresando un determinado marcaje con cantidad de áreas teñidas en las ubicaciones concretas, intensidad de tinción con análisis de texturas, lo complicado que puede ser un conjunto autosimilar con dimensión fractal, etc. Además, el investigador en patología digital debe poseer un buen manejo de los softwares de análisis de imágenes, incluyendo la personalización de alguno de ellos utilizando un lenguaje específico para adaptar y automatizar el análisis a la muestra objetivo de estudio. La comunicación efectiva entre patólogos, histólogos y científicos computacionales facilita además recursos a las complejidades asociadas con los desafíos de estandarización y seguridad de los datos. La incorporación de IA asociada a la patología digital no solo mejorará las capacidades de diagnóstico de los patólogos y acelerará los procedimientos analíticos, sino que, debido a la creciente importancia de las redes de colaboración, facilitará e implementará el intercambio global de conocimientos.

3. Aporte de la Patología Digital a la terapia personalizada en el campo de la Oncología Médica

Las nuevas pruebas moleculares y la integración de la patología digital, en lugar de reemplazar la inmunohistoquímica, ofrecen herramientas complementarias de diagnóstico oncológico. Los laboratorios de patología están experimentando transformaciones digitales para, en lugar de utilizar portaobjetos de vidrio y un microscopio, realizar tareas adoptando tecnologías innovadoras digitales para mejorar en los campos clínicos, educativo y de investigación. Con las imágenes de preparaciones microscópicas completas, cuyas muestras se tiñen de rutina con hematoxilina-eosina (H&E), se está investigando la capacidad de la IA como herramienta de apoyo al diagnóstico para el patólogo ya que nos permiten explorar y extraer información más allá de la percepción visual humana y aplicar los sistemas de apoyo computacionales a las decisiones clínicas. Para desarrollar los modelos patológicos de IA es necesario considerar la selección del tipo adecuado de imágenes para cada subtipo oncológico teniendo en cuenta, entre otros parámetros por ejemplo: edad del paciente, estadio de enfermedad, diferenciación tumoral, presencia de mutaciones o cambios genéticos/cromosómicos específicos, etc., estableciendo a su vez una estrategia de análisis y anotación efectiva de dichos datos junto con la normalización del color y la estandarización del análisis de imágenes. De hecho, no se diagnostica diferente una imagen digital de una imagen analógica. Lo que cambia son las herramientas que usan que les aportan información en los patrones de malignidad (el diagnóstico, la evolución, el pronóstico y en el tratamiento de la enfermedad tumoral) de una manera mucho más rápida y precisa. La utilización cada vez mayor de enfoques basados en IA está ampliando por ejemplo nuestra comprensión del microambiente tumoral, con enfoques digitales para la estratificación y selección de pacientes para ensayos de diagnóstico que defienden la identificación del régimen de tratamiento óptimo inmuno-oncológico basado en los perfiles de los pacientes.

La posibilidad de contar con amplios bancos de imágenes, en los que se podrá tener acceso a las muestras en formato digital tras la solicitud pertinente, de los hospitales y de los proyectos en red colaborativa que se vayan incorporando al modelo de patología digital, abre un amplio abanico de posibilidades a los investigadores. La utilización de herramientas para el recuento de células y matriz extracelular, realización de mediciones, identificación de células y otros elementos por zonas, la búsqueda de patrones no tumorales y tumorales, entre otros análisis digitales, sirvirá de apoyo en el proceso investigador.

Espero que la creciente importancia de las redes de colaboración en patología digital, puedan conducir a un mejor uso de la IA como herramienta de diagnóstico en las diversas modalidades de patología para brindar atención de calidad al paciente ayudando a su vez a los futuros investigadores en el desarrollo de nuevos estudios y proyectos.

Bibliografía

. – Hanna MG et al. Mod Pathol 2022;35(2):152-164. – Rodriguez JPM et al. J Pathol Inform 2022;13:100-138. – Escobar Díaz Guerrero R et al. J Pathol Inform 2022; 13:100-103.- Go H. Brain Tumor Res Treat 2022;10(2):76-82.- Baxi Vet al Mod Pathol. 2022;35(1):23-32.- Kim YJ et al. J Exerc Rehabil. 2021;17(1):11-14. Campos A. Educ Med 2004; 7 (1).