Los métodos de este grupo suelen basarse en una definición previa de un modelo de apariencia de la estructura anatómica a modelar y se enfocan en definir filtros y operaciones matemáticas específicas para cada problema a resolver, no garantizando su aplicación en otros dominios en los cuales fueron definidos. Debido a la naturaleza de estos, los métodos pertenecientes a este grupo no requieren de gran cantidad de datos para ser desarrollados, aunque su capacidad de adaptación a las apariencias reales de las estructuras depende de la complejidad del modelo que se haya usado como base.

En el caso de los pólipos de colon, la mayoría de las metodologías existentes se basan en el uso de herramientas de procesado de imagen de bajo nivel (tal como la extracción de contornos) para obtener aquellas partes de la imagen que son candidatas a ser parte de un contorno de pólipo. Para tal efecto, Iwahori et al.10 usan filtros de la matriz Hessiana, Bernal et al.7,11 usan los valles de intensidad, y Silva et al.12 usan la transformada de Hough. Esta información es usada para luego definir restricciones que sean solo aplicables a los contornos de los pólipos: Zhu et al.13 usan la curvatura de dichos contornos como característica clave, mientras que Kang y Doraiswami14 se centran en discriminar aquellos contornos con forma elíptica, típicamente asociada a los pólipos.

Los sistemas de aprendizaje computacional son aquellos que, una vez han sido entrenados para realizar una tarea determinada a partir de ejemplos, son capaces de replicarla en un conjunto de datos nuevos. Se suelen definir 3 etapas diferentes en el diseño de estos sistemas: entrenamiento, validación y prueba. Las 2 primeras se hacen sobre un mismo conjunto de datos que se conoce completamente (tanto datos de entrada como salida esperada), mientras que los datos del conjunto de prueba son desconocidos en la fase de desarrollo del sistema.

Diversos grupos de investigación han utilizado métodos de machine learning para la detección de pólipos, definiendo el conjunto de características a extraer de la imagen (de forma, color o textura) y el método de aprendizaje a emplear (desde árboles de decisión a support vector machines).

Respecto al tipo de características empleadas, Karkanis et al.15 propusieron el empleo de wavelets de color mientras que Ameling et al.16 exploraron el uso de características de textura a través de las matrices de coocurrencia. El trabajo de Gross et al.17 también se enfocó en el uso de características de textura mediante local binary patterns. En cuanto al método de aprendizaje, Angermann et al.18 propusieron el empleo de técnicas de aprendizaje activo mediante el cual el sistema mejora a partir del aprendizaje de ejemplos positivos y negativos.

Debido al incremento de la disponibilidad de herramientas de computación de alta capacidad, como las GPU (unidades de procesamiento gráfico), el uso de técnicas basadas en redes neuronales convolucionales (deep learning) también se ha explorado para tareas de detección de pólipos. La ventaja del uso de técnicas basadas en deep learning es el hecho de que pueden aprender a partir de grandes volúmenes de datos, sin tener que especificar qué tipo de característica han de buscar en ello. Dentro de este grupo de métodos, las diferencias principales radican en la arquitectura de red específica empleada y en las bases de datos utilizadas para el entrenamiento y validación. Liu et al.19 emplean la arquitectura ResNet para la detección de pólipos, obteniendo un sistema que funciona en tiempo real (procesa más de 25 imágenes por segundo) con una tasa de detección cercana al 80% una vez testado en la base de datos CVC-VideoClinicDB. Zheng et al.20 tratan el problema de la detección de pólipos en 2 etapas: en la primera intentan delimitar todas las estructuras de la imagen empleando la arquitectura U-Net y luego aplican técnicas de seguimiento (tracking) para obtener la localización final del pólipo. Su metodología alcanza valores de sensibilidad superiores al 95%, testado también en la base de datos CVC-VideoClinicDB21. Un último ejemplo interesante lo encontramos en el trabajo de Qadir et al.22, que combina una primera arquitectura Faster RCNN para seleccionar regiones candidatas a contener pólipo y una segunda etapa enfocada en la eliminación de falsos positivos mediante la inclusión del análisis de imágenes anteriores. Este sistema alcanza valores de precisión superiores al 90% en la base de datos CVC-VideoClinicDB.

Como se puede extrapolar, es complicado realizar una comparativa entre los diferentes métodos debido a la falta de bases de datos públicas donde realizar una validación de estos. Con el ánimo de solventar este problema, y animados por el uso creciente y exitoso de técnicas de aprendizaje computacional en otros ámbitos, se ha llevado a cabo un esfuerzo en la recolección, anotación y publicación de bases de datos que contienen imágenes y vídeos de colonoscopias. A partir de ello, se han llevado a cabo diversos challenges internacionales donde concurren diferentes equipos poniendo a prueba sus diferentes propuestas para la detección automática de pólipos. A fecha de hoy se han llevado a cabo 4 ediciones diferentes: 1) Automatic polyp detection challenge en la conferencia IEEE International Symposium on Biomedical Imaging (ISBI), celebrada en Nueva York en 2015 y organizada conjuntamente por Arizona State University (ASU) y el Centro de Visión por Computador (CVC), 2) Automatic polyp detection in colonoscopy videos, dentro del marco de la conferencia International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI), celebrada en Múnich en 2015 y organizada conjuntamente por ASU, CVC y el laboratorio ETIS de ENSEA. A partir del año 2017 se amplió el alcance del challenge incluyendo tareas adicionales como la segmentación de pólipos y la detección de lesiones en imagen de cápsula endoscópica, dentro del marco del challenge GIANA (Gastrointestinal Image Analysis). Se han celebrado 2 ediciones de GIANA dentro de la conferencia MICCAI: en 2017 en Quebec y en 2018 en Granada, ambas seguidas con un gran interés por parte de la comunidad científica, participando más de 20 equipos en la última edición.

El primer challenge de detección de pólipos celebrado dentro del marco de la conferencia MICCAI en 2015 sirvió asimismo para realizar un estudio comparativo entre 8 metodologías de detección automática de pólipos usando la misma base de datos, definiendo asimismo un marco común de validación que puede servir para comparar metodologías en un futuro9 (fig. 3), mostrando un rendimiento superior en los que utilizaron metodología de machine learning. Dicha tendencia se ha ido manteniendo en los challenges posteriores, donde se ha visto también la generalización del uso de técnicas de deep learning debido a su rendimiento y, sobre todo, a la rapidez de cálculo asociado al uso de tarjetas gráficas de alta capacidad.

Figura 3.

Comparación de los mapas de energía proporcionados por cada método participante en el challenge de detección de pólipos celebrado en el congreso MICCAI de 2015: (A) Imagen original; (B) CUMED; (C) CVC-CLINIC; (D) PLS; (E) UNS-UCLAN; (F) ETIS-LARIB; (G) OUS, y (H) SNU. La línea verde de cada imagen representa la máscara del pólipo de referencia.

(0.1MB).

Los estudios de Takemura et al.28 y Hafner et al.29 utilizaron cromoendoscopia y magnificación óptica. El primero analizó computacionalmente el patrón de criptas de modo cuantitativo en 134 imágenes y el segundo examinó diversas características de textura en 716 imágenes (72,3% pólipos neoplásicos). Takemura obtuvo una extraordinaria exactitud diagnóstica (98,5%), pero el patrón oro fue la clasificación de Kudo. En cambio, el estudio de Hafner obtuvo una exactitud diagnóstica del 85,3%; la sensibilidad y especificidad fue del 88,6 y 76,6%, respectivamente.

Varnavas et al.30 describieron en 2009 un primer estudio clínico con 62 imágenes (61,3% de adenomas) empleando un método de DAC basado en el cálculo de características vasculares en imágenes con NBI y magnificación, con una exactitud diagnóstica, sensibilidad y especificidad del 80,6, 81,6 y 79,2%, respectivamente, en la diferenciación de adenomas colorrectales. Posteriormente, Tischendorf et al.31 publicaron en 2010 un estudio clínico prospectivo con la misma modalidad endoscópica cuya metodología computacional propuesta incluye las siguientes etapas: 1) preprocesado de imágenes, 2) segmentación de estructuras vasculares, 3) extracción de características de las estructuras vasculares (longitud, brillo, perímetro y otras) y 4) clasificación final de la imagen. Estos autores utilizaron 209 imágenes (76,6% pólipos neoplásicos) y obtuvieron una sensibilidad, especificidad y exactitud diagnóstica del 90, 70,2 y 85,3%, respectivamente, en la diferenciación entre pólipo neoplásico y no neoplásico. Gross et al.32 en 2011 alcanzaron un rendimiento diagnóstico del 93,1% también con una metodología basada en NBI y magnificación y análisis del mapa vascular en 434 imágenes (59,4% pólipos neoplásicos); la sensibilidad, especificidad y valores predictivos también superaron el 90%. Takemura et al.33 en 2012 también utilizaron un número elevado de imágenes (n=371, 87,3% de pólipos neoplásicos), analizaron el color, la forma y el tamaño de las criptas y obtuvieron todavía mejores resultados: exactitud diagnóstica 97,8%, con similar sensibilidad y especificidad. También con la misma modalidad endoscópica el estudio de Tamai et al.34 analizó computacionalmente características de la vascularización del pólipo (121 imágenes, 82,6% de pólipos neoplásicos) y obtuvo los siguientes resultados: sensibilidad 83,9%, especificidad 82,6%, valor predictivo positivo (VPP) 53,1%, VPN 95,6% y exactitud diagnóstica 82,8%. El estudio de Chen et al.35 recientemente publicado utilizó la metodología computacional deep neural network en 284 imágenes (66,2% de pólipos neoplásicos) y obtuvo una sensibilidad del 96,3%, especificidad 78,1%, VPP 89,6%, VPN 91,5% y exactitud diagnóstica 90,1%.

Por otra parte, Byrne et al.36 también aplicaron la metodología computacional deep neural network para el reconocimiento en tiempo real (pero no in vivo) de pólipos adenomatosos/hiperplásicos, con un 94% de eficacia diagnóstica, una sensibilidad del 98%, especificidad 83%, VPP 90% y VPN 97%, analizando vídeos (no imágenes aisladas) de colonoscopia con NBI y near focus.

Sin embargo, estos estudios se basaban en imágenes analizadas posteriormente y no durante la exploración. En cambio, Kominami et al.25 describieron un algoritmo más robusto y adecuado para su uso clínico en tiempo real, que ofrecía clasificación in vivo de pólipos durante la endoscopia. El estudio incluyó 118 imágenes (62% de pólipos neoplásicos), analizó características texturales de las criptas, y obtuvo un rendimiento del 93,2% para la diferenciación de lesión neoplásica/no neoplásica; la sensibilidad, especificidad y valores predictivos también superaron el 90%.

Komeda et al.37 utilizaron las redes neuronales convolucionales (convolutional neural network) en 1.800 imágenes (66,6% adenomas) extraídas de vídeos de colonoscopia con luz blanca, NBI y cromoendoscopia, alcanzando una exactitud diagnóstica para la diferenciación de adenomas del 75,1%.

La endocitoscopia también ha sido utilizada para la clasificación automática de pólipos, ya que proporciona imágenes enfocadas y de tamaño fijo que permiten un análisis de imagen más fácil y robusto mediante DAC. Los primeros modelos publicados por Mori et al.26,38,39 se basaron en la extracción automática de características magnificadas 380× del núcleo y de los elementos con vascularización. Estas características se integran en un sistema clasificador de machine learning y permiten alcanzar una exactitud diagnóstica en torno al 90% para la identificación de adenomas/lesiones neoplásicas, y con un retardo al proporcionar el resultado de solo 0,2-0,3 segundos, una vez la imagen ha sido capturada. De este modo, el tipo de pólipo se predice en tiempo real y se da una probabilidad. Si esta es >90%, el sistema indica «alta confianza» de tratarse por ejemplo de un adenoma26. Posteriormente, Takeda et al.40 utilizaron también endocitoscopia con una magnificación de aproximadamente 400×. Entrenaron el método con 5.543 imágenes de 238 lesiones y lo aplicaron a 200 imágenes. La sensibilidad, especificidad, VPP, VPN y exactitud diagnósticas obtenidas en esta serie fueron: 89,4, 98,9, 98,8, 90,1 y 94,1%. En 2018, Mori et al.39 publicaron otra serie con 144 imágenes (36,8% pólipos neoplásicos) y obtuvieron los siguientes resultados: sensibilidad 98%, especificidad 71%, VPP 67%, VPN 98% y exactitud diagnóstica 81%.

También se han publicado estudios con endocitoscopia y NBI. Misawa et al.41 utilizaron 100 imágenes magnificadas 380× (50% pólipos neoplásicos) y analizaron la vascularización. Obtuvieron un 90% de exactitud diagnóstica, sensibilidad 84,5%, especificidad 97,6%, VPP 98% y VPN 82%. Recientemente Mori et al.42 han mejorado sus resultados utilizando endocitoscopia con magnificación 520× y NBI en 466 imágenes (61,6% de pólipos neoplásicos) en tiempo real e in vivo, analizando características de textura y obteniendo una exactitud diagnóstica en la valoración de pólipos diminutos neoplásicos/no neoplásicos del 98,1% (457/466); la sensibilidad, especificidad y valores predictivos fueron en torno al 90%.

AFI (autofluorescence imaging) es otra modalidad endoscópica que ha sido utilizada para la predicción histológica endoscópica de los pólipos colorrectales mediante el análisis computacional numérico del color. Se ha descrito un rendimiento diagnóstico del 82,8% con esta técnica43,44. Se trata de estudios in vivo que utilizaron 102 y 163 imágenes (73,5 y 81% de pólipos neoplásicos, respectivamente) y obtuvieron una sensibilidad, especificidad, VPP y VPN del 94,2, 88,9, 95,6 y 85,2% en el estudio de Aihara et al.43 y del 83,9, 82,6, 53,1 y 95,6% en el estudio de Inomata et al.44.

También se ha desarrollado un software que usa la técnica de extracción de características y machine learning, conocida como Bag of words, mediante la cual se detectan y caracterizan regiones de interés en imágenes de endomicroscopia láser confocal (CLE), alcanzando un rendimiento equivalente a endoscopistas expertos (exactitud diagnóstica próxima al 90%). Andre et al.45 utilizaron 135 imágenes (68,9% de pólipos neoplásicos) y obtuvieron una sensibilidad, especificidad y exactitud diagnóstica del 92,5, 83,3 y 89,6%, respectivamente. Tafreshi et al.46 utilizaron 118 vídeos (70,3% de pólipos neoplásicos) y sus resultados fueron, respectivamente: 90,4, 88,6 y 89,9%.

Finalmente, nuestro grupo (Sánchez et al.47) realizó un primer análisis utilizando patrones de superficie (textones) de los pólipos con imágenes de luz blanca de alta definición. Tras un preprocesado de la imagen que mitigaba los reflejos especulares, se analizó la tubularidad de los textones. En total se incluyeron 38 adenomas y 13 pólipos no adenomatosos. Mediante una curva ROC se obtuvo el punto de corte de tubularidad de 13,14 y se utilizó este valor para discriminar entre adenoma y no adenoma. Con este punto de corte se obtuvo una exactitud diagnóstica global del 86,3% (44/51); para los adenomas fue del 94,7% (36/38), pero para los no adenomas descendió al 61,5% (8/13). Posteriormente se perfeccionó el método, analizándose también la ramificación y el contraste de los patrones texturales en superficie y se amplió el número de imágenes (n=225, 63,1% displásicos), mejorando la exactitud diagnóstica global al 91,1%48; en cambio, el VPN global alcanzado fue del 87,1% y por tanto no cumplía el criterio PIVI de la ASGE6. No obstante, el VPN ascendía al 96,7% en el subgrupo de pólipos diminutos de recto y sigma (n=54), con una exactitud diagnóstica del 90,6%.

Un sistema ideal debería combinar la detección automática de pólipos seguida de su caracterización a tiempo real e in vivo. En este sentido, Mori et al. han descrito un modelo preliminar (sin análisis estadístico) basado en un algoritmo de deep learning para detectar pólipos en imágenes de luz blanca y otro algoritmo que predice su histología mediante endocitoscopia49. Hasta el momento no existen otros modelos que combinen ambas metodologías de detección y predicción histológica, no obstante, los estudios in vivo de clasificación histológica descritos previamente son los que de entrada podrían combinarse con métodos de detección automática25,42–44.