de Medicina y Cirugía
230
REPERT MED CIR. 2024;33(3):230-237
ISSN: 0121-7372 • ISSN electrónico: 2462-991X
de Medicina y Cirugía
Vol. 33
N°3 . 2024
Andrea González MD
a
María Victoria Caro MD
a
Iván Romero MD
a
Lina María Quintero MD
a
Andres Mosquera-Zamudio MD, PhD
c
José Fernando Polo MD
c
John Sprockel MD, MSc
d
Arley Gómez MD, MSc, PhD
e
Rafael Parra-Medina MD, PhD
f
a
Departamento de Patología, Fundación Universitaria de Ciencias de la Salud, Bogotá DC, Colombia.
b
Universitat de València, Valencia, España, INCLIVA, Instituto de Investigación Sanitaria.
c
Departamento de Patología, Hospital Infantil Universitario de San José, Fundación Universitaria de Ciencias de la Salud, Bogotá DC,
Colombia.
d
Departamento de Medicina Interna. Fundación Universitaria de Ciencias de la Salud. Bogotá DC, Colombia.
e
Vicerrectoría de Investigaciones, Fundación Universitaria de Ciencias de la Salud. Bogotá DC, Colombia.
f
Instituto de Investigaciones, Patólogo y Epidemiólogo, Fundación Universitaria de Ciencias de la Salud, Bogotá DC, Colombia.
Introducción: la mayoría de las aplicaciones en patología digital se encuentran relacionadas con la oncológica, aunque se
han propuesto algunos modelos recientes que permiten evaluar la utilidad en el diagnóstico histológico de microorganismos.
Material y métodos: se realizó la siguiente revisión en la que se incluyeron 10 artículos publicados en inglés, que tienen
como eje central el diagnóstico histopatológico de microorganismos y diferentes modelos de inteligencia articial. Discusión:
los diseñados se han probado para el diagnóstico de Helicobacter pylori, Mycobacterium tuberculosis, Aspergillus, Mucorales
y microorganismos relacionados con onicomicosis. Conclusiones: se recomienda el uso de la inteligencia articial en el
diagnóstico histopatológico de microorganismos como un campo emergente que refuerza la función del patólogo coordinador
de los diferentes modelos, optimizando así su función y mejorando los tiempos de trabajo y los niveles de efectividad.
Palabras clave: helicobacter pylori, mycobacterium tuberculosis, algoritmos, diagnóstico, tejido, aprendizaje profundo, hongos, inteligencia
articial.
© 2024 Fundación Universitaria de Ciencias de la Salud - FUCS.
Este es un artículo Open Access bajo la licencia CC BY-NC-ND (http://creativecommons.org/licenses/by-nc-nd/4.0/).
R E S U M E N
Inteligencia articial en el Inteligencia articial en el
diagnóstico histopatológico de diagnóstico histopatológico de
microorganismos microorganismos
Articial intelligence in the histopathological Articial intelligence in the histopathological
diagnosis of microorganismsdiagnosis of microorganisms
Artículo de revisión
INFORMACIÓN DEL ARTÍCULO
Historia del artículo:
Fecha recibido: julio 18 de 2023
Fecha aceptado: abril 1 de 2024
Autor para correspondencia.
Dr. Rafael Parra-Medina
rafa.parram@gmail.com
DOI
10.31260/RepertMedCir.01217372.1585
de Medicina y Cirugía
231
REPERT MED CIR. 2024;33(3):230-237
ABSTRACT
Introduction: most of the digital pathology applications are related to oncology, although some recent models have been
proposed to evaluate their usefulness in the histopathological diagnosis of microorganisms. Material and Methods: this
review included 10 articles published in English, centered around the histopathological diagnosis of microorganisms and the
dierent articial intelligence (AI) models. Discussion: the designed AI models have been tested for diagnosing Helicobacter
pylori, Mycobacterium tuberculosis, Aspergillus, Mucorales and microorganisms causing onychomycosis. Conclusions: the use
of articial intelligence in the histopathological diagnosis of microorganisms is recommended as an emerging eld which
assists the pathologist coordinating the dierent models, thus optimizing his function, and improving workows and
eectiveness levels.
Key words: helicobacter pylori, mycobacterium tuberculosis, algorithms, diagnosis, tissue, deep learning, fungi, articial intelligence.
© 2024 Fundación Universitaria de Ciencias de la Salud - FUCS.
This is an open access article under the CC BY-NC-ND license (http://creativecommons.org/licenses/by-nc-nd/4.0/).
INTRODUCCIÓN
INTELIGENCIA ARTIFICIAL EN
PATOLOGÍA
ENTRENAMIENTOS DÉBILMENTE
SUPERVISADOS EN PATOLOGÍA
COMPUTACIONAL
La patología es una especialidad médica que estudia
las enfermedades desde el punto de vista macro y
microscópico utilizando herramientas morfológicas,
moleculares, inmunológicas y microbiológicas, para realizar
un diagnóstico denitivo.
1
Con el advenimiento de la
inteligencia articial (IA) se busca la creación de algoritmos
que potencialmente realicen la interpretación automatizada
de muestras citológicas, histológicas y microbiológicas, que
sean muy ecaces y conserven la precisión diagnóstica del
ojo humano.
2
Al realizar una búsqueda bibliográca acerca de patología
e inteligencia articial, es frecuente encontrar que la mayoría
de los artículos cientícos están enfocados hacia la patología
oncológica y de manera especíca a algunos apartados
como diagnóstico de cáncer
3
, evaluación de marcadores de
inmunohistoquímica (índice de proliferación celular)
4
, así
como el uso reciente en citometría de ujo y diagnóstico de
neoplasias hematolinfoides.
5
En otros ámbitos de la patología
también se han diseñado modelos que permiten evaluar el
uso de la IA en el diagnóstico de microorganismos, aunque
la mayoría de las muestras han sido orina, heces y esputo
6
, y
muy pocas en material histológico.
A continuación se presentan los más recientes acerca de
los análisis histopatológicos de algunos microorganismos y
se realiza una revisión comprensible en español que discute
los benecios y riesgos que implica el uso de Ia IA en su
diagnóstico histológico.
Las aplicaciones de la IA en patología son bastante
prometedoras, siendo una opción viable ante la escasez de
médicos especialistas en esta área a nivel mundial.
7
Los
En el contexto de la segmentación de imágenes, la
supervisión débil puede ocurrir en forma de anotaciones
manuales escasas, como es la detección de pequeñas
regiones usando el sistema de puntos, en donde los píxeles
de la imagen son identicados manualmente, lo cual ha
primeros modelos de patología computacional (CPATH) hacen
referencia a reglas que buscaban realizar aproximaciones
de la imagen de tejidos neoplásicos, basándose en algunas
características grácas como son la textura, orientación y
el contraste, que lograrían de forma exitosa identicar dos
grandes áreas: el estroma y células tumorales.
8,9
Los reportes iniciales del modelo de redes neuronales
convulsionales (CNN) datan del año 2011, cuando con
Imagen net se buscó caracterizar una gran cantidad de
imágenes naturales.
10
Estos éxitos invadieron el ámbito
de la patología alrededor de 2013 y permitieron analizar
fragmentos de tejidos que presentaban una alta carga celular
o “hot spot”, como por ejemplo el conteo mitótico.
11
Tres años más tarde se inició el proyecto CAMELYON,
el cual fue propuesto como un sistema que brindara
soluciones en la detección del compromiso secundario por
cáncer de mama en un ganglio centinela.
12
Entre las muchas
aplicaciones de este proyecto se incluyen la detección de
tumores y su clasicación, segmentación de la imagen,
detección de mitosis y graduación tumoral.
13-15
Una de sus
mayores utilidades fue la disminución del tiempo en los
análisis de actividades rutinarias que tienen que ver con el
quehacer del patólogo, como la evaluación de biopsias tanto
de tejidos como de ganglios linfáticos para estadicación, lo
cual ayuda en los programas de tamización
16
e inclusive se
ha encontrado buena correlación interobservador.
de Medicina y Cirugía
232
REPERT MED CIR. 2024;33(3):230-237
VALIDACIÓN DE ALGORITMOS
RESULTADOS DE LA BÚSQUEDA
DETECCIÓN DE
HELICOBACTER
PYLORI
EN BIOPSIAS GÁSTRICAS
Varios modelos utilizan un conjunto de elementos de
prueba para evaluar después el rendimiento nal; en la
mayoría de los casos corresponde a datos de validación
y como tal tienen características que son similares a los
casos usados en el entrenamiento. Este tipo de prácticas
son excelentes indicadores del desempeño, para llegar a
una primera aproximación de entender que tan útil es el
algoritmo.
21
Sin embargo, los algoritmos con excelente validación
externa no son útiles en su totalidad y no puede entreverse
que tenga una utilidad clínica per se.
22
Debido a lo anterior
se requiere evaluar estas técnicas emergentes en estudios
controlados aleatorizados, que ojalá permitan evaluar a
largo plazo los efectos que inuyan en la toma de decisiones
diagnósticas y terapéuticas.
23
En la actualidad es importante destacar que la efectividad
in vitro de los métodos de patología computacional
son difíciles de aplicar en el mundo real. La razón fue
expuesta por Campanella y col.
24
quienes evidenciaron
que los algoritmos se crearon en el contexto de que el
patólogo hace solo una tarea, sin embargo, en muchas
ocasiones el profesional realiza estudios complementarios
de inmunohistoquímica o histoquímica, e incluso realiza
interconsulta con otros especialistas, por lo cual aún no se
alcanza un 100% de sensibilidad y una baja tasa de falsos
positivos.
25
Metodología de la búsqueda de información de estudios
de inteligencia articial, patología computacional y
diagnóstico histológico de microorganismos
Se revisó una búsqueda en las bases de datos de la
literatura biomédica (OVid, ScienceDirect, Scielo y
PUBMED) utilizando los términos “articial intelligence in
pathology”,“helicobacter pylori and articial intelligence”,
“mycobacteria diagnosis in tissue”, “mycobacteria and
articial intelligence”, “deep learning in pathology”, “fungus
En total se encontraron 10 artículos en la presente
revisión, los cuales cumplieron con la calidad CLAIM, en
dos de estos no se encontró referencia sobre el manejo previo
al procesamiento de datos, lo cual no invalida la evaluación.
Solo se han realizado investigaciones en bacterias, hongos
y parásitos; no obstante, de forma intencional y con el
propósito de organizar la información se abordaron los
hallazgos de acuerdo con el género del microorganismo.
En cuanto a las bacterias, se ha estudiado el diagnóstico
en Helicobacter pylori (Hp) y Micobacterium tuberculosis
(Mt) entre los hongos los Aspergillus y Mucorales, así como
diferentes estructuras fúngicas en imágenes de tejido con
diagnóstico de onicomicosis. No se incluyó el diagnóstico
en parásitos puesto que solo hay un artículo publicado en
tejido paranado
27
, el resto son en heces
28
y en extendidos
de sangre periférica
29
, no siendo el objetivo de esta revisión.
El Hp es un bacilo ácido alcohol resistente considerado
carcinógeno de clase 1, su diagnóstico oportuno es
crucial para el tratamiento erradicador.
30
El desarrollo
de un sistema de aprendizaje profundo por Klein y col.
31
permitió la identicación y clasicación de imágenes de
biopsias gástricas con la presencia de Hp. La validación
adicional se realizó mediante la comparación de la detección
microscópica con los estudios de IHQ-PCR. Los resultados
mostraron una sensibilidad de 100% y una especicidad
de 47.1%.
El reporte de Gonçalves
32
implementa un preproceso
similar para identicar áreas con mayor celularidad, presenta
el sistema DeepHP y los experimentos de transferencia
de aprendizaje para detectar infecciones por Hp en
biopsias gástricas. Se evaluaron las arquitecturas VGG16,
InceptionV3 y ResNet50
33
,
concluyendo que los modelos
de CNN pueden detectar la presencia del microorganismo y
la inamación en las biopsias gástricas, lo que reduciría la
carga laboral de los patólogos.
El estudio de Franklin y col.
34
utilizó IA para diagnosticar
demostrado que en conjunto con estrategias avanzadas de
aprendizaje en el desarrollo de modelos, puede generar
sistemas supervisados de alto rendimiento.
17
Otro mecanismo es digitalizar las imágenes en forma
de parches, asumiendo que en cada uno de estos hay
información morfológica que se relaciona con el resto de
la imagen completa, sin embargo este mecanismo no sería
efectivo en situaciones como lesiones de pequeño tamaño.
18
En los últimos años se han presentado una gran cantidad de
métodos relacionados con la patología computacional, como
solución de algunas de las limitaciones presentadas. A su
vez se han proyectado futuras utilidades que a simple vista
no podrían ser realizadas por el patólogo, como predecir
respuesta a tratamientos, evaluar el riesgo de recurrencia, la
supervivencia, así como mutaciones genéticas puntuales.
19,20
diagnosis and articial intelligence”. Se incorporaron todos
los artículos publicados en inglés hasta abril 2023, que
abarcaran las infecciones más frecuentes en tejidos humanos
que presentaron digitalización de imágenes histológicas
con las coloraciones de rutina (hematoxilina-eosina) y de
histoquímicas como periodic acid-Schi (PAS), giemsa y
Ziehl Neelsen (ZN). Se evaluó la calidad de los artículos
seleccionados mediante el checklist CLAIM
26
, el cual
es utilizado de manera especíca para artículos de IA en
imágenes médicas.
de Medicina y Cirugía
233
REPERT MED CIR. 2024;33(3):230-237
gastritis por Hp y gastritis autoinmune en 325 muestras
histológicas. El algoritmo mostró una concordancia de
87.3% para gastritis por Hp y de 84.8% para la autoinmune,
con una concordancia de 100%, 86% y 57% para patólogos
especializados, generales y residentes. Los resultados
sugieren que las CNN pueden diagnosticar con precisión
las gastritis por Hp y de tipo autoinmune en ambientes
controlados de investigación y pueden ser útiles en el
entrenamiento de patología gástrica inamatoria.
Una cuarta investigación realizada en China por Zishao
Zhong y col.
35
compara dos herramientas de IA para el
diagnóstico de la forma cocoide de Hp, la cual es más
persistente que la forma bacilar. El estudio comparó los
algoritmos YoloV5 y Faster-RCNN para la detección de
objetos. Se encontró que YoloV5 es superior a Faster-RCNN
en la detección de Hp en forma cocoide. Luego el sistema
fue comparado con los diagnósticos de los patólogos,
demostrando que YoloV5 supera a los patólogos junior y
tiene un rendimiento similar a los patólogos intermedios y
senior.
DETECCIÓN DEL
MYCOBACTERIUM
TUBERCULOSIS
POR INTELIGENCIA
ARTIFICIAL
INTELIGENCIA ARTIFICIAL PARA LA
DETECCIÓN DE HONGOS CAUSANTES DE
MICOSIS SUPERFICIALES Y PROFUNDAS
La tuberculosis es una enfermedad crónica causada por
el agente Mycobacterium tuberculosis (Mt), es un bacilo
pequeño de menos de una micra de diámetro que genera retos
para su diagnóstico, primero se realiza la tinción especial
ácido alcohol resistente y luego el patólogo lo identica en
un campo de 40x, conllevando una gran cantidad de tiempo
y recursos para establecer el diagnóstico.
36
Uno de los primeros artículos sobre la detección del
Mt fue en 2018, realizado por Xiong y col. en el hospital
de Beijing
37
, quienes adoptaron una CNN denominada
tuberculosis articial intelligence (Tb-AI). En cuanto a los
resultados, antes de usar el algoritmo los patólogos habían
diagnosticado como positivos 108 de los 201 casos. Para
comparar con el algoritmo se realizaron dos pruebas, en la
primera se obtuvo el número de positivos y en el segundo
análisis se mejoró la tasa de concordancia en alrededor
de 14%. En la actualidad para este algoritmo aún se hace
necesaria la presencia del patólogo para la conrmación
del diagnóstico y en el caso de un reporte negativo se
debe evaluar la calidad de la coloración. Tb-AI presenta
una sensibilidad y moderada especicidad, liberando al
patólogo en ocasiones de la tediosa tarea de búsqueda del
bacilo en el microscopio, disminuyendo los falsos negativos.
Un segundo modelo diseñado en 2020 en el hospital
Cedars-Sinai
38
, analizó imágenes digitalizadas de tejido con
la coloración de ZN. Después se inició la red de aprendizaje
activo, para lo cual se utilizó Inception-V3 que se entrena con
parches de 256 x 256 píxeles, obteniendo como resultado
una sensibilidad de 98% y una especicidad de 91.65%.
A pesar de que existen otros métodos conrmatorios, la
histopatología continúa como la más rápida a la hora de
tomar decisiones ante el paciente con una micosis sistémica.
La observación de ciertas características en las hifas son
determinantes para diferenciar un Aspergillus de un
Mucorales, por ejemplo.
Es por esto que Tochigi y col.
41
desarrollaron un sistema
de inteligencia articial en el que se determinó el ángulo
de las hifas para lograr la caracterización. En cuanto a los
resultados, el umbral de la curva se volvía cada vez más
una línea recta a medida que aumentaba el número de
hifas reconocidas, lo cual se consideró como un método
adecuado. Las limitaciones del algoritmo radican en que
se pierde la sensibilidad con la detección de estructuras
fúngicas organizadas en masas, puesto que no permiten una
caracterización denitiva de las hifas.
A pesar de que las investigaciones en cuanto a patología
digital y hongos son escasas, también se han realizado
algunos estudios relacionados con micosis superciales
como la onicomicosis, cuya prueba más sensible para el
diagnóstico es el análisis histológico con la coloración de
PAS.
42
Como la realización de estudios histológicos en forma
de tamizaje puede ser tediosa, Jansen y col.
43
desarrollaron
un sistema de clasicación basado en segmentación U-NET,
que tuvo como resultados del modelo un valor predictivo
negativo de 99% para el resultado negativo y un valor
predictivo positivo de 85% para el resultado positivo. Al
comparar el modelo con el consenso de expertos, el valor
predictivo positivo fue de 88% y el negativo de 87%. La
sensibilidad fue 94% y la especicidad 77%.
En 2021, Pantanowitz y col.
39
utilizaron muestras de
dos instituciones separadas, la universidad de Pittsburgh
y el Hospital de Wan Fang (Taipei-Taiwan). En cuanto a
los resultados se encontró que el algoritmo era capaz de
detectar los bacilos en lámina completa aun cuando hubiese
fallas en la resolución de la imagen con un área bajo la curva
de 0.96; además se observó disminución del tiempo para
evaluación de láminas por parte del patólogo y la emisión
de un diagnóstico preciso.
En el ámbito latinoamericano se destaca el trabajo de Sua y
col.
40
quienes realizaron detección de Mt y M. leprae en diez
muestras que ya tenían diagnóstico positivo previo por el
patólogo. Los resultados destacaron que todas las muestras
categorizadas como positivas también lo fueron para el
algoritmo. Lo mismo sucedió con muestras utilizadas como
control negativo que fueron clasicadas como negativas por
el modelo.
de Medicina y Cirugía
234
REPERT MED CIR. 2024;33(3):230-237
La mayoría de los estudios realizados en patología digital
se centran en la oncopatología y sus futuras aplicaciones
clínicas no solo servirán para el diagnóstico, sino para el
pronóstico y la predicción de respuesta al tratamiento. Existe
un área aún por explorar como es el conjunto de técnicas
de patología digital aplicadas al diagnóstico histológico de
microorganismos, que de acuerdo con la revisión realizada,
los resultados son promisorios pero requieren mayor
conocimiento global para su estandarización y futuros usos
(tabla 1).
CONCLUSIONES
Cabe destacar que a lo largo del presente escrito, en ninguno
de los modelos se plantea el reemplazo total del patólogo por
un sistema automatizado, por el contrario, su presencia es
invaluable a la hora de coordinar el funcionamiento y de
realizar un control de calidad frente a posibles errores de
los algoritmos. El verdadero temor no es la oportunidad
que representa la IA de reemplazar al especialista sino por
el contrario, desconocer su funcionamiento y sus utilidades.
191 cib HyE y 286
Giemsa.
283.921 parches
negativos y 111.005
positivos.
100 positivos para Hp y
87 positivos para
gastritis autoinmune.
34 muestras positivas
para Hp.
246 muestras con
tinción para BAAR.
167 muestras.
441 muestras.
5 casos positivos para
M. leprae. 5 casos
positivos para M
tuberculosis. 10
controles negativos.
147 de mucormicosis y
67 de aspergilosis.
664 muestras con
dermatofitos.
Comparación de algoritmo,
detección microscópica y PCR
Algoritmo DeepHp y aprendizaje por
transferencia.
Comparación de algoritmo HALO-AI
versus patólogos para diagnóstico
de gastritis por Hp y GA.
Comparación de YoloV5 y
Faster-RCNN como algoritmos y
patólogos de diferentes niveles de
experticia.
Patólogos versus algoritmo TB-AI
Red de aprendizaje activo, modelo
Inception V3.
Dos modelos de CNN para
evaluación de sensibilidad y
especificidad
Pat scan.
Algoritmo que determina el ángulo
de las hifas.
Segmentación U-NET, patólogos y
consenso de patólogos
Sensibilidad del algoritmo para
detección de Hp: 100%.
Especificidad del algoritmo para
detección de HP: 47.1%.
Hay diferencias en la detección de
Hp e inflamación.
En comparación con el gold
standard el algoritmo tuvo una
detección del 87.3% HP, 84.8% GA.
YoloV5 es superior al Faster-RCN-
N.El algoritmo es superior en el
diagnóstico que los patólogos
junior, no inferior a patólogos
intermedios, casi igual a patólogos
senior.
Dos análisis con mejoría de la
concordancia en un 14% entre
algoritmo y patólogos.
Sensibilidad: 98%, especificidad:
91.65%
Algoritmo AUC: 0.96 en detección y
disminución de tiempo de trabajo
de los patólogos.
Todas las muestras positivas
fueron detectadas por el algoritmo.
El algoritmo presenta AUC casi
recto.
Modelo tiene un VPN: 99%, VPP:
85%. S: 94% y E: 77%
Helicobacter
pylori
Helicobacter
pylori
Helicobacter
pylori
Helicobacter
pylori de
morfología
cocoide
Mycobacterium
tuberculosis
Mycobacterium
tuberculosis
Mycobacterium
tuberculosis.
Mycobacterium
tuberculosis y
Mycobacterium
leprae
Aspergillus y
Mucorales
Dermatofitos
Nombre Microorganismo Número de muestras Metodología Resultados
Klein y col.
Gonçalves y col.
Franklin y col.
Zishao Zhong y col.
Xiong y col.
Yang y col.
Pantanowitz y col.
Sua y col.
Tochigi y col.
Jansen y col.
Abreviaturas: AUC: área bajo la curva, BAAR: bacilo ácido alcohol resistente. E: especificidad, GA: gastritis autoinmune, HP: Helicobacter pylori, S: sensibilidad, VPN: valor predictivo
negativo, VPP: valor predictivo positivo. Fuente: los autores.
Tabla 1. Resumen de las diferentes revisiones realizadas
44-53
de Medicina y Cirugía
235
REPERT MED CIR. 2024;33(3):230-237
Los autores no declaran conicto de interés.
CONFLICTO DE INTERÉS
REFERENCIAS
1. College of American Pathologists. What is pathology? [Internet].
2019 [citado el 25 de abril de 2023]. Disponible en: https://
www.cap.org/member-resources/articles/what-is-pathology.
2. Smith KP, Kirby JE. Image analysis and articial intelligence
in infectious disease diagnostics. Clin Microbiol Infect.
2020;26(10):1318–23. http://dx.doi.org/10.1016/j.
cmi.2020.03.012
3. Niazi MKK, Parwani AV, Gurcan MN. Digital pathology and
articial intelligence. Lancet Oncol. 2019;20(5):e253–61. http://
dx.doi.org/10.1016/s1470-2045(19)30154-8
4. Luchini C, Pantanowitz L, Adsay V, Asa SL, Antonini P,
Girolami I, et al. Ki-67 assessment of pancreatic neuroendocrine
neoplasms: Systematic review and meta-analysis of manual vs.
digital pathology scoring. Mod Pathol. 2022;35(6):712–20.
http://dx.doi.org/10.1038/s41379-022-01055-1.
5. Lin E, Fuda F, Luu HS, Cox AM, Fang F, Feng J, et al. Digital
pathology and articial intelligence as the next chapter in
diagnostic hematopathology. Semin Diagn Pathol. 2023;40(2):88–
94. http://dx.doi.org/10.1053/j.semdp.2023.02.001
6. Kuok C-P, Horng M-H, Liao Y-M, Chow N-H, Sun Y-N. An
eective and accurate identication system of Mycobacterium
tuberculosis using convolution neural networks. Microsc Res
Tech. 2019;82(6):709–19. http://dx.doi.org/10.1002/jemt.23217
7. Rumelhart DE, Hinton GE, Williams RJ. Learning representations
by back-propagating errors. Nature. 1986;323(6088):533-536.
8. Krizhevsky A, Sutskever I, Hinton GE. ImageNet Classication
with Deep Convolutional Neural Networks. En: Pereira F,
Burges CJ, Bottou L, Weinberger KQ, editores. Advances in
Neural Information Processing Systems [Internet]. Curran
Associates, Inc.; 2012. p.1-9.
9. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature.
2015;521(7553):436-44. http://dx.doi.org/10.1038/nature14539
10. Gulshan V, Peng L, Coram M, Stumpe MC, Wu D,
Narayanaswamy A, et al. Development and Validation of a Deep
Learning Algorithm for Detection of Diabetic Retinopathy in
Retinal Fundus Photographs. JAMA. 2016;316(22):2402-10.
http://dx.doi.org/10.1001/jama.2016.17216
11. Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM,
et al. Dermatologist-level classication of skin cancer with
deep neural networks. Nature. 2017;542(7639):115-118. http://
dx.doi.org/10.1038/nature21056
12. Szegedy C, Vanhoucke V, Ioe S, Shlens J, Wojna Z. Rethinking
the Inception Architecture for Computer Vision. 2 de diciembre
de 2015 [citado 11 de diciembre de 2018]; Disponible en:
https://arxiv.org/abs/1512.00567
13. van der Laak J, Litjens G, Ciompi F. Deep learning in histopathology:
the path to the clinic. Nat Med. 2021;27(5):775–84. http://dx.doi.
org/10.1038/s41591-021-01343-4.
14. Prewitt JM, Mendelsohn ML. The analysis of cell images.
Ann N Y Acad Sci. 1966;128(3):1035–53. http://dx.doi.
org/10.1111/j.1749-6632.1965.tb11715.x.
15. Kather JN, Weis C-A, Bianconi F, Melchers SM, Schad LR, Gaiser
T, et al. Multi-class texture analysis in colorectal cancer histology.
Sci Rep. 2016;6:27988. http://dx.doi.org/10.1038/srep27988.
16. Ciresan DC, Meier U, Masci J, Gambardella LM, Schmidhuber J.
Flexible, High Performance Convolutional Neural Networks for
Image Classication [Internet]. Idsia.ch. [citado el 25 de abril de
2023]. Disponible en: https://people.idsia.ch/~juergen/ijcai2011.
pdf
17. Cireşan DC, Giusti A, Gambardella LM, Schmidhuber J. Mitosis
detection in breast cancer histology images with deep neural
networks. Med Image Comput Comput Assist Interv. 2013;16(Pt
2):411–8.http://dx.doi.org/10.1007/978-3-642-40763-5_51.
18. Litjens G, Bandi P, Ehteshami Bejnordi B, Geessink O, Balkenhol
M, Bult P, et al. 1399 H&E-stained sentinel lymph node sections
of breast cancer patients: the CAMELYON dataset. Gigascience.
2018;7(6):giy065. http://dx.doi.org/10.1093/gigascience/giy065.
19. Liu Y, Gadepalli K, Norouzi M, Dahl GE, Kohlberger T, Boyko A,
et al. Detecting cancer metastases on gigapixel pathology images.
arXiv [cs.CV]. 2017 [citado el 25 de abril de 2023]. Disponible en:
http://arxiv.org/abs/1703.02442.
20. Pinckaers H, Litjens G. Neural Ordinary Dierential Equations for
semantic segmentation of individual colon glands [Internet]. arXiv
[eess. IV]. 2019. Disponible en: http://arxiv.org/abs/1910.10470
21. Veta M, Heng YJ, Stathonikos N, Bejnordi BE, Beca F, Wollmann
T, et al. Predicting breast tumor proliferation from whole-slide
images: The TUPAC16 challenge. Med Image Anal. 2019;54:111–
21. http://dx.doi.org/10.1016/j.media.2019.02.012
22. Nagpal K, Foote D, Liu Y, Chen P-HC, Wulczyn E, Tan F, et al.
Development and validation of a deep learning algorithm for
improving Gleason scoring of prostate cancer. NPJ Digit Med.
2019;2(1):48. http://dx.doi.org/10.1038/s41746-019-0112-2
23. 23. Campanella G, Hanna MG, Geneslaw L, Miraor A, Werneck
Krauss Silva V, Busam KJ, et al. Clinical-grade computational
pathology using weakly supervised deep learning on whole slide
images. Nat Med. 2019;25(8):1301–9. http://dx.doi.org/10.1038/
s41591-019-0508-1
24. Song Z, Zou S, Zhou W, Huang Y, Shao L, Yuan J, et al. Clinically
applicable histopathological diagnosis system for gastric cancer
detection using deep learning. Nat Commun. 2020;11(1):4294.
http://dx.doi.org/10.1038/s41467-020-18147-8
25. Albarqouni S, Baur C, Achilles F, Belagiannis V, Demirci S,
Navab N. AggNet: Deep learning from crowds for mitosis
detection in breast cancer histology images. IEEE Trans Med
Imaging. 2016;35(5):1313–21. http://dx.doi.org/10.1109/
TMI.2016.2528120
de Medicina y Cirugía
236
REPERT MED CIR. 2024;33(3):230-237
26. Koohbanani NA, Jahanifar M, Tajadin NZ, Rajpoot N. NuClick:
A deep learning framework for interactive segmentation of
microscopy images [Internet]. arXiv [cs.CV]. 2020 [citado el 25 de
abril de 2023]. Disponible en: http://arxiv.org/abs/2005.14511
27. Ocampo P, Moreira A, Coudray N, Sakellaropoulos T, Narula N,
Snuderl M, et al. P1.09-32 classication and mutation prediction
from non-small cell lung cancer histopathology images using
deep learning. J Thorac Oncol. 2018;13(10):S562. http://dx.doi.
org/10.1016/j.jtho.2018.08.808.
28. Hou L, Samaras D, Kurc TM, Gao Y, Davis JE, Saltz JH. Patch-
based convolutional neural network for whole slide tissue image
classication. Proc IEEE Comput Soc Conf Comput Vis Pattern
Recognit. 2016; 2016:2424–33. http://dx.doi.org/10.1109/
CVPR.2016.266
29. Qaiser T, Pugh M, Margielewska S, Hollows R, Murray P, Rajpoot
N. Digital tumor-collagen proximity signature predicts survival
in diuse large B-cell lymphoma. In: Digital Pathology. Cham:
Springer International Publishing; 2019. p. 163–71.
30. Mobadersany P, Youse S, Amgad M, Gutman DA, Barnholtz-Sloan
JS, Velázquez Vega JE, et al. Predicting cancer outcomes from
histology and genomics using convolutional networks. Proc Natl
Acad Sci U S A. 2018;115(13):E2970–9. http://dx.doi.org/10.1073/
pnas.1717139115
31. Kleppe A, Skrede O-J, De Raedt S, Liestøl K, Kerr DJ, Danielsen
HE. Designing deep learning studies in cancer diagnostics. Nat
Rev Cancer. 2021;21(3):199–211. http://dx.doi.org/10.1038/
s41568-020-00327-9
32. Nagendran M, Chen Y, Lovejoy CA, Gordon AC, Komorowski M,
Harvey H, et al. Articial intelligence versus clinicians: systematic
review of design, reporting standards, and claims of deep learning
studies. BMJ. 2020;368:m689. http://dx.doi.org/10.1136/bmj.
m689
33. Collins GS, Moons KGM. Reporting of articial intelligence
prediction models. Lancet. 2019;393(10181):1577–9. http://
dx.doi.org/10.1016/s0140-6736(19)30037-6
34. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King
D. Key challenges for delivering clinical impact with articial
intelligence. BMC Med. 2019;17(1):195. http://dx.doi.org/10.1186/
s12916-019-1426-2
35. Mongan J, Moy L, Kahn CE Jr. Checklist for articial intelligence
in medical imaging (CLAIM): A guide for authors and reviewers.
Radiol Artif Intell. 2020;2(2): e200029. http://dx.doi.org/10.1148/
ryai.2020200029
36. Franklin MM, Schultz FA, Tafoya MA, Kerwin AA, Broehm CJ,
Fischer EG, et al. A deep learning convolutional neural network
can dierentiate between Helicobacter pylori gastritis and
autoimmune gastritis with results comparable to gastrointestinal
pathologists. Arch Pathol Lab Med. 2022;146(1):117–22. http://
dx.doi.org/10.5858/arpa.2020-0520-OA.
37. Sulyok M, Luibrand J, Strohäker J, Karacsonyi P, Frauenfeld
L, Makky A, et al. Implementing deep learning models for
the classication of Echinococcus multilocularis infection in
human liver tissue. Parasit Vectors. 2023;16(1):29. http://dx.doi.
org/10.1186/s13071-022-05640-w.
38. Hu R-S, Hesham AE-L, Zou Q. Machine learning and its
applications for protozoal pathogens and protozoal infectious
diseases. Front Cell Infect Microbiol. 2022;12:882995. http://
dx.doi.org/10.3389/fcimb.2022.882995.
39. Delgado-Ortet M, Molina A, Alférez S, Rodellar J, Merino A. A
deep learning approach for segmentation of red blood cell images
and malaria detection. Entropy (Basel). 2020;22(6):657. http://
dx.doi.org/10.3390/e22060657.
40. Huang CR, Chung PC, Sheu BS, Kuo HJ, Popper M. Helicobacter
Pylori-Related Gastric Histology Classication Using Support-
Vector-Machine-Based Feature Selection. IEEE Transactions
on Information Technology in Biomedicine. 2008;12(4):523-31.
http://dx.doi.org/10.1109/TITB.2007.913128
41. Mohan BP, Khan SR, Kassab LL, Ponnada S, Mohy-Ud-Din N,
Chandan S, et al. Convolutional neural networks in the computer-
aided diagnosis of Helicobacter pylori infection and non-causal
comparison to physician endoscopists: a systematic review with
meta-analysis. Ann Gastroenterol. 2021;34(1):20-5. http://dx.doi.
org/10.20524/aog.2020.0542
42. Shi W, Georgiou P, Akram A, Proute MC, Serhiyenia T, Kerolos
ME, et al. Diagnostic Pitfalls of Digital Microscopy Versus Light
Microscopy in Gastrointestinal Pathology: A Systematic Review.
Cureus. 2021;13(8):e17116. http://dx.doi.org/10.7759/cureus.17116
43. Ford AC, Yuan Y, Forman D, Hunt R, Moayyedi P. Helicobacter
pylori eradication for the prevention of gastric neoplasia.
Cochrane Database Syst Rev. 2020;7:CD005583. http://dx.doi.
org/10.1002/14651858.CD005583.pub3
44. Klein S, Gildenblat J, Ihle MA, Merkelbach-Bruse S, Noh K-W,
Peifer M, et al. Deep learning for sensitive detection of Helicobacter
Pylori in gastric biopsies. BMC Gastroenterol. 2020;20(1):417.
http://dx.doi.org/10.1186/s12876-020-01494-7
45. Gonçalves WGE, Santos MHPD, Brito LM, Palheta HGA,
Lobato FMF, Demachki S, et al. DeepHP: A new gastric mucosa
histopathology dataset for Helicobacter pylori infection diagnosis.
Int J Mol Sci. 2022;23(23):14581. http://dx.doi.org/10.3390/
ijms232314581
46. Gonçalves WGE, Dos Santos MH de P, Lobato FMF, Ribeiro-Dos-
Santos Â, de Araújo GS. Deep learning in gastric tissue diseases:
a systematic review. BMJ Open Gastroenterol. 2020;7(1): e000371.
http://dx.doi.org/10.1136/bmjgast-2019-000371
47. Franklin MM, Schultz FA, Tafoya MA, Kerwin AA, Broehm CJ,
Fischer EG, et al. A deep learning convolutional neural network
can dierentiate between Helicobacter pylori gastritis and
autoimmune gastritis with results comparable to gastrointestinal
pathologists. Arch Pathol Lab Med. 2022;146(1):117–22. http://
dx.doi.org/10.5858/arpa.2020-0520-OA
48. Xiong Y, Ba X, Hou A, Zhang K, Chen L, Li T. Automatic detection
of mycobacterium tuberculosis using articial intelligence. J
Thorac Dis. 2018;10(3):1936-1940. http://dx.doi.org/10.21037/
jtd.2018.01.91
de Medicina y Cirugía
237
REPERT MED CIR. 2024;33(3):230-237
49. Yang M, Nurzynska K, Walts AE, Gertych A. A CNN-based
active learning framework to identify mycobacteria in digitized
Ziehl-Neelsen stained human tissues. Comput Med Imaging
Graph. 2020;84(101752):101752. http://dx.doi.org/10.1016/j.
compmedimag.2020.101752
50. Pantanowitz L, Wu U, Seigh L, LoPresti E, Yeh F-C, Salgia P,
et al. Articial intelligence-based screening for mycobacteria
in whole-slide images of tissue samples. Am J Clin Pathol.
2021;156(1):117–28. http://dx.doi.org/10.1093/ajcp/aqaa215
51. Sua LF, Bolaños JE, Maya J, Sánchez A, Medina G, Zúñiga-
Restrepo V, et al. Detection of mycobacteria in paranembedded
Ziehl-Neelsen-Stained tissues using digital pathology.
Tuberculosis (Edinb). 2021;126(102025):102025. https://doi.
org/10.1016/j.tube.2020.102025
52. Tochigi N, Sadamoto S, Oura S, Kurose Y, Miyazaki Y,
Shibuya K. Articial intelligence in the diagnosis of invasive
mold infection: Development of an automated histologic
identication system to distinguish between Aspergillus and
Mucorales. Med Mycol J. 2022;63(4):91–7. http://dx.doi.
org/10.3314/mmj.22-00013
53. Jansen P, Creosteanu A, Matyas V, Dilling A, Pina A, Saggini
A, et al. Deep learning assisted diagnosis of onychomycosis
on whole-slide images. J Fungi (Basel). 2022;8(9):912. http://
dx.doi.org/10.3390/jof8090912
