Cuantificación automatizada de Ki-67 en tejido epitelial gástrico basada en la razón de área de los núcleos celulares

Autores/as

DOI:

https://doi.org/10.15359/ru.36-1.29

Palabras clave:

patología digital, procesamiento digital de imágenes, análisis inmunohistoquímico, reconocimiento de patrones, segmentación de núcleos, cuantificación Ki-67, cáncer gástrico, células gástricas

Resumen

El objetivo era desarrollar un algoritmo automatizado para la estimación de un índice de proteína (Ki-67), basado en la razón del área del núcleo celular de las células del tejido epitelial gástrico, utilizando imágenes digitales de histopatología. Cada región de interés de las imágenes fue anotada manualmente por un experto. Se utilizó una proporción de células Ki-67 positivas y negativas dentro de esa región para obtener la distribución de color de los píxeles correspondientes. El histograma de cada distribución de color se modeló como una Gaussiana y luego se estableció un umbral para la segmentación y clasificación. Finalmente, el índice Ki-67 se estimó como la relación entre el área positiva segmentada de los núcleos dividida por el área total de los núcleos positivos y negativos. El método automatizado tiene una fuerte correlación de 0,725 y un error cuadrático medio de 0,293, en comparación con el método manual, lo que da certeza de que el método automatizado se puede utilizar para analizar la tasa de proliferación. Además, en comparación con la clasificación manual, el método presentado clasifica automáticamente cada imagen en la misma categoría Ki-67: baja, intermedia y alta. A pesar del pequeño tamaño de la muestra, se demostró la utilidad del método presentado. Sin embargo, el bajo número de imágenes puntuadas no permitió muestrear completamente los rangos de valores de píxeles y las intensidades observadas por los patólogos, lo cual será abordado en un trabajo futuro.

Referencias

Al-Lahham, Heba Z., Alomari, Raja S., Hiary, Hazem. & Chaudhary, Vipin. (2012). Automating proliferation rate estimation from Ki-67 histology images. SPIE Medical Imaging, 8315. https://doi.org/10.1117/12.911009

Aperio Technologies, Inc. (2007). IHC Nuclear Image Analysis User’s Guide. https://tmalab.jhmi.edu/aperiou/userguides/IHC_Nuclear.pdf

Barricelli, Barbara Rita., Casiraghi, Elena., Gliozzo, Jessica., Huber, Veronica., Leone, Biagio Eugenio., Rizzi, Alessandro. & Vergani, Barbara. (2019). ki67 nuclei detection and ki67-indexestimation: a novel automatic approach based on human vision modeling. BCM Bioinformaticss, 20(733).

Bray, Freddie., Ferlay, Jacques., Soerjomataram, Isabelle., Siegel, Rebecca L., Torre, Lindsey A. & Jemal, Ahmedin. (2018). Global Cancer Statistics 2018: GLOBOCAN estimates of incidence and mortality worldwide for 36 cancers in 185 countries. A Cancer Journal for Clinicians, 68(6). https://doi.org/10.3322/caac.21492

Correa, Pelayo. & Houghton, Jeanmarie. (2007). Carcinogenesis of Helicobacter pylori. Gastroentorology, 133(2), 659–672. https://doi.org/10.1053/j.gastro.2007.06.026

Duraiyan, Jeyapradha.; Govindarajan, Rajeshwar; Kaliyappan., Karunakaran. & Palanisamy, Murugesan. (2012). Applications of immunohistochemistry. Journal of Pharmacy and Bioallied Sciences, 4(2), 307–309. https://doi.org/10.4103/0975-7406.100281

Goldhirsch, A., Wood, W. C., Coates, A. S., Gelber, R. D., Thürlimann, B. & Senn, H.J. (2011). Strategies for subtypes—dealing with the diversity of breast cancer: highlights of the St Gallen International Expert Consensus on the Primary Therapy of Early Breast Cancer 2011. Annals of Oncology, 12(8), 1736–1747. https://doi.org/10.1093/annonc/mdr304

Li, Lian Tao., Jiang, Guan., Chen, Qian. & Zheng, Jun Nian. (2014). Ki67 is a promising molecular target in the diagnosis of cancer (Review). Molecular Medicine Reports, 11(3), 1566-1572. https://doi.org/10.3892/mmr.2014.2914

Shi,Peng,., Jing, Zhong., Jinsheng, Hong., Rongfang, Huang., Kaijun, Wang. & Yunbin, Chen. (2016). Automated Ki-67 Quantification of Immunohistochemical Staining Image of Human Nasopharyngeal Carcinoma Xenografts. Scientific Reports, 6(32127).

QuPath. (2021). Cell classification - QuPath 0.3.0 documentation. https://qupath.readthedocs.io/en/latest/docs/tutorials/cell_classification.html

Rawla, Prashanth. & Barsouk, Adam. (2019). Epidemiology of gastric cancer: global trends, risk factors and prevention. Gastroenterology Review, 14(1), 26-38, https://doi.org/10.5114/pg.2018.80001

Tuominen, Vilppu J., Ruotoistenmäki, Sanna., Viitanen, Arttu., Jumppanen, Mervi. & Isola, Jorma. (2010). ImmunoRatio: a publicly available web application for quantitative image analysis of estrogen receptor (ER), progesterone receptor (PR), and Ki-67. Breast Cancer Research, 12(R56).

Xing, Fuyong., Su, Hai., Neltner, Janna., & Yang, Lin. (2014). Automatic Ki-67 Counting Using Robust Cell Detection and Online Dictionary Learning. IEEE Transactions on Biomedical Engineering, 61(3), 859-870. https://doi.org/10.1109/TBME.2013.2291703

Yeo, Min-Kyung., Kim, Hee Eun., Kim, Sung Hun., Chae, Byung Joo., Song, Byung Joo. & Lee, Ahwon. (2017). Clinical usefulness of the free web-based image analysis application ImmunoRatio for assessment of Ki-67 labelling index in breast cancer. Journal of Clinical Pathology, 70(8), 715-719. http://dx.doi.org/10.1136/jclinpath-2016-204162

Publicado

2022-03-30

Número

Sección

Artículos científicos originales (arbitrados por pares académicos)

Comentarios (ver términos de uso)

Artículos más leídos del mismo autor/a

1 2 3 4 5 6 7 8 9 10 > >>