Cecilie Brandt Becker^1*Mette Sif ansen¹Søren Saxmose Nielsen²Henrik Elvang Jensen¹

• ¹Sección de Parasitología y Patobiología, Departamento de Ciencias Veterinarias y Animales, Facultad de Ciencias Médicas y de la Salud, Universidad de Copenhague, Copenhague, Dinamarca
• ^{número arábigo}Sección de Salud y Bienestar Animal, Departamento de Ciencias Veterinarias y Animales, Facultad de Ciencias Médicas y de la Salud, Universidad de Copenhague, Copenhague, Dinamarca

Introducción: El uso del aprendizaje automático (ML) se está expandiendo rápidamente en histopatología, ofreciendo el potencial de reducir la variabilidad interobservador y mejorar la evaluación cuantitativa. Sin embargo, los grandes conjuntos de datos y los recursos computacionales comúnmente utilizados en toxicología y medicina humana a menudo no están disponibles para el patólogo veterinario. Este estudio tuvo como objetivo evaluar la viabilidad y las limitaciones de aplicar ML supervisado en muestras histopatológicas con datos de entrenamiento limitados, ejemplificado por el entrenamiento de un modelo de ML para segmentar la pared intestinal en sus capas histológicas.

Materiales y métodos: El estudio incluyó 145 lechones de cinco grupos de edad (4, 14, 25, 49 y 67 días). Se recolectaron muestras de pared completa de duodeno, yeyuno e íleon post-mortem, se tiñeron con H&E y se digitalizaron. Se entrenó un modelo de ML de tres pasos en 8-15 imágenes: el paso 1 identificó el tejido, el paso 2 segmentó la mucosa de las capas submucosas y el paso 3 separó la lámina propia del epitelio. El rendimiento del modelo se evaluó comparando las áreas generadas por IA con las anotaciones manuales, calculando la desviación relativa, los niveles de concordancia categorizados, la intersección sobre la unión y los coeficientes de correlación de Pearson. Se utilizaron análisis de errores cualitativos como direcciones para futuras opciones de entrenamiento.

Resultados: Se desarrolló con éxito un modelo de separación de tres pasos, pero mostró una cantidad significativa de variación en el rendimiento relacionada con la edad, representada como mayores imprecisiones en las muestras de los grupos de edad más jóvenes, lo que refleja una heterogeneidad tisular adicional debido a la morfología inmadura. Los errores de clasificación podrían clasificarse en limitaciones intrínsecas (p. ej., problemas de umbral en la identificación de tejidos) y déficits de entrenamiento (p. ej., clasificación errónea de células caliciformes y abscesos de criptas), de los cuales solo la última categoría podría corregirse agregando datos de entrenamiento adicionales.

Conclusión: Este estudio demuestra la viabilidad de la histopatología basada en ML con tamaños de muestra limitados, lo que proporciona una opción viable para los patólogos veterinarios. Los modelos entrenados en conjuntos de datos pequeños requieren una supervisión cuidadosa, con especial énfasis en la heterogeneidad y el sobreajuste de tejidos de diversas edades. En estos casos, el ML debe verse como una herramienta para aumentar, no reemplazar, la supervisión de expertos, asegurando medidas histopatológicas cuantitativas confiables y reproducibles.