INTRODUCCIÓN

El cáncer colorrectal (CCR) es el tercer cáncer más frecuente en el mundo y la segunda causa de muerte por cáncer. En Colombia es la cuarta neoplasia más frecuente en hombres y mujeres, con tasas de incidencia que aumentan cada año ^1,2. Muchos estudios concluyen que la tamización del CCR es costo-efectiva en población de riesgo medio (población sin antecedentes familiares y sin un historial médico que muestre predisposición). Se sabe que la edad (≥ 50 años), los hábitos alimentarios y el tabaco son factores de riesgo que aumentan la incidencia de padecer esta enfermedad. En la población general, el riesgo es del 5 %-6 % y esta incidencia aumenta de forma sustancial a partir de los 50 años, por lo cual se considera que las personas de 50 años o más son población en riesgo medio, para la cual se debería iniciar un programa de tamización ^3,4.

En cuanto al grado de supervivencia en los pacientes con CCR, está directamente relacionado con la extensión de la enfermedad en el momento del diagnóstico. Los individuos diagnosticados en estado avanzado tienen una tasa de supervivencia del 7 % a los 5 años, mientras que para sujetos con CCR detectado en un estado inicial se ha reportado una tasa del 92 % ⁵; por esta razón, es de gran importancia detectar el tumor en estadios tempranos o, más aún, detectar el pólipo en estado adenomatoso (premaligno), con lo cual se previene la enfermedad. Se sabe que con las técnicas de tamización disponibles (sangre oculta, colonoscopia), el CCR es altamente prevenible en más del 90 % de los casos.

Múltiples trabajos han demostrado que la colonoscopia es el examen de elección para la prevención y detección temprana del CCR porque, como se mencionó previamente, es capaz de detectar el origen principal del CCR como son los pólipos adenomatosos ^6-9.

Además de detectar el cáncer en estados tempranos, el cual si se trata a tiempo es completamente curable, la detección de pólipos es un indicador de calidad en la colonoscopia y se considera que durante el examen se encuentren pólipos adenomatosos (los cuales tienen alto riesgo de cáncer) en un 20 % de mujeres y en un 30 % de hombres; es decir que, en promedio, se deberían encontrar pólipos adenomatosos en un 25 % de todas las colonoscopias que se realizan. Infortunadamente, diferentes estudios han reportado que alrededor del 26 % de los pólipos que están presentes en una colonoscopia no se detectan, una tasa de error muy alta explicada básicamente por dos factores: la cantidad de puntos ciegos durante una colonoscopia (pólipos ubicados detrás de los pliegues, asas del colon, la preparación, entre otros) y el error humano (se pasaron por alto) asociado con el procedimiento ^10-12. Se han realizado múltiples trabajos que buscan atacar estos dos factores para disminuir esta tasa de pólipos perdidos al máximo, es así́ como se han diseñado accesorios que permiten encontrar los pólipos ocultos detrás de los pliegues como son Cap, Endocuff o incluso un miniendoscopio denominado tercer ojo, que busca aplanar los pliegues o ver detrás de ellos. Adicionalmente, recientemente se ha considerado que el factor asociado con el error humano es al menos mitigable con la introducción de segundos lectores (computadores), un escenario en el cual la tecnología y la inteligencia artificial empiezan a mostrar resultados que pueden mejorar drásticamente la tasa de detección de los pólipos y permitir bajar el número de pólipos no detectados en una unidad de gastroenterología.

El desarrollo de estrategias computacionales para la extracción de patrones y la detección automática de pólipos colorrectales en videos de colonoscopia es un problema muy complejo. Los videos de una colonoscopia se registran en medio de una gran cantidad de fuentes de ruido que fácilmente ocultan lesiones; por ejemplo, los brillos en la pared intestinal producidos por la fuente de luz o reflexión especular, la motilidad de los órganos y la secreción intestinal que ocluyen el campo de visión del colonoscopio, y la experiencia del especialista que influye en la suavidad de la exploración del colon. Actualmente, varias estrategias han abordado este reto como una tarea de clasificación, utilizando técnicas automáticas de aprendizaje de máquina.

Por una parte, algunos autores han intentado una selección de características de bajo nivel para obtener límites de pólipos candidatos. Bernal y colaboradores ¹³ presentaron un modelo de apariencia de pólipos que caracteriza los valles de los pólipos como limites cóncavos y continuos. Esta caracterización se usa para entrenar un clasificador que en un conjunto de prueba (test) obtuvo 0,89 de sensibilidad en la tarea de detección de pólipos. Shin y colaboradores ¹⁴ presentaron una estrategia basada en una clasificación por parches, usando una combinación de características de forma y color, y obtuvieron una sensibilidad de 0,86. Por otra parte, varios trabajos han utilizado redes neuronales convolucionales (CNN) profundas, un conjunto de algoritmos agrupados bajo el término de aprendizaje profundo. Urban y colaboradores ¹⁵ presentaron una red convolucional que detecta pólipos de diferentes tamaños en tiempo real con una sensibilidad de 0,95. Sin embargo, Taha y colaboradores ¹⁶ analizaron algunas de las limitaciones de estos trabajos, una de ellas es el hecho de que estos métodos requieren una gran cantidad de datos para ser entrenados. Además, estas bases de datos son adquiridas en condiciones clínicas especificas; en particular, el dispositivo de captura, el protocolo de exploración realizado por el experto y la extracción de las secuencias con lesiones fácilmente visualizables. Aunque se han presentado varios avances, aún existe el reto de formular modelos generalizables para detectar lesiones de manera precisa, independientemente del tipo de lesión, forma de exploración del experto o de la unidad de colonoscopia usada.

El principal objetivo del presente trabajo es crear una estrategia automática de detección de pólipos colorrectales con el propósito de construir un segundo lector que soporte el proceso de exploración del colon y de disminuir el número de lesiones no detectadas durante una colonoscopia. En este documento se presenta una estrategia de clasificación automática de pólipos en secuencias de videos de colonoscopia. Esta investigación se apoya en un algoritmo de aprendizaje profundo y evalúa diferentes arquitecturas de redes convolucionales. Este artículo está organizado de la siguiente manera: inicialmente, se presenta la metodología para la detección automática de pólipos; luego, se describen las consideraciones éticas alrededor de este trabajo; posteriormente, se muestra la configuración experimental junto con los resultados del método detectando pólipos comparados con las anotaciones de un experto; después, se presenta la discusión de este trabajo; y, finalmente, se encuentran las conclusiones y trabajo futuro.

METODOLOGÍA

Este trabajo presenta una metodología de aprendizaje profundo para modelar la alta variabilidad en un procedimiento de colonoscopia, con el propósito de realizar una detección automática de pólipos en procedimientos de colonoscopia. Esta tarea se divide en dos etapas: entrenamiento y clasificación. En primer lugar, se realiza un preprocesamiento cuadro a cuadro, común para las dos etapas. Después, se entrena una red neuronal convolucional usando una gran cantidad de imágenes de colonoscopia anotadas por un gastroenterólogo experto en colonoscopia (con alrededor de 20 años de experiencia y más de 50 mil colonoscopias realizadas) en dos clases: clase negativa o no contiene pólipo, y clase positiva o contiene pólipo. El modelo obtenido del proceso de aprendizaje es utilizado para clasificar imágenes nuevas (o no usadas en el proceso de entrenamiento) como perteneciente a alguna de las dos clases. El flujo de este trabajo se visualiza en la Figura 1 y se explica a continuación.

Figura 1 Flujo del método propuesto para detectar pólipos automáticamente. Primero, se consolidó una base de datos anotada cuadro a cuadro de videos de colonoscopia (A). Cada uno de estos cuadros son preprocesados (B) para alimentar unos modelos basados en CNN (C). Este modelo se entrena con un ajuste fino de unos pesos preentrenados con millones de imágenes naturales (D). Con la red entrenada, se evalúa su rendimiento para detectar pólipos (H) con una base de datos de prueba (F) y se comparan los resultados obtenidos con las anotaciones de un experto (G). 

PROTOCOLO DE ADQUISICIÓN Y PREPROCESAMIENTO

Para disminuir el efecto de las numerosas fuentes de ruido en el proceso de adquisición de diferentes colonoscopios y las condiciones fisiológicas de colon y el recto, es necesario realizar un preprocesamiento cuadro por cuadro del video. Primero, se normaliza cada cuadro con media 0 y desviación estándar (DE) de 1, con el fin de que las características extraídas entre cuadros sean comparables. Luego, dependiendo del dispositivo de captura, los cuadros presentan distintas resoluciones espaciales, por lo cual cada cuadro es escalado recortado a 300 x 300 pixeles, de manera que todos tengan la misma malla de captura.

ARQUITECTURA DE LAS CNN

La unidad principal de estas arquitecturas es la neurona, que proporciona una salida como función de las entradas a ella. Un arreglo de neuronas forma una capa o bloque y una red está compuesta por varios bloques elementales que se ordenan de la siguiente manera: varios pares de capas convolucionales (Figura 1 C, cuadro azul) y de agrupamiento (Figura 1 C, cuadro amarillo) que entregan un vector de características de la imagen, seguidos por un conjunto de capas completamente conectadas (Figura 1 C, círculos verdes) que se encargan de calcular la probabilidad de que un conjunto de características pertenezca a una cierta clase, y se finaliza con una capa de activación (Figura 1 C, círculos rojos), en la cual se normalizan las probabilidades obtenidas y se logra la clasificación binaria deseada. La función de estos bloques es:

Una arquitectura en particular se compone por un arreglo de módulos que contienen diferentes configuraciones y órdenes de bloques fundamentales explicados anteriormente, y se conoce como gradiente al resultado obtenido por cada neurona. En este trabajo se utilizaron tres arquitecturas altamente evaluadas y validadas en el estado del arte: InceptionV3, Vgg16 y ResNet50. A continuación se describe cada una de ellas.

ENTRENAMIENTO POR AJUSTE FINO

Un alto rendimiento en la clasificación de las clases depende en su gran mayoría de la cantidad de imágenes anotadas y la forma de iniciar los pesos para entrenar los CNN. Una colonoscopia tiene aproximadamente 12 000 cuadros por video, por lo cual la disponibilidad de bases de datos con imágenes anotadas es limitada. Entonces, entrenar con un número limitado de datos e iniciar los pesos de la red de manera aleatoria, como se hace generalmente, resulta en un proceso de entrenamiento fallido. Para evitar este inconveniente, se usan pesos (transfer learning) de redes del mismo tipo, que han sido previamente entrenados para otro problema de clasificación en imágenes naturales, con bases de datos que contienen grandes cantidades de imágenes anotadas. La razón por la cual se hace de esta manera es que, aun cuando las imágenes naturales y las de colonoscopia sean diferentes, su estructura estadística es similar y, asimismo, la construcción de primitivas que representan los objetos. En estas circunstancias, las redes entrenadas para reconocer objetos en imágenes naturales se usan como condición inicial para entrenar estas redes en la tarea de reconocer pólipos.

El uso de estos pesos se realiza por medio de un proceso llamado ajuste fino (fine tuning), para el cual se toma toda la red preentrenada y se retira la última capa completamente conectada. Esta capa es reemplazada por una nueva, que tiene el mismo número de neuronas que el número de clases en la tarea de clasificación (pólipo-no pólipo) y se inicia con los pesos de la red preentrenada. Entonces, primero se entrena la última capa y, posteriormente, se actualizan los pesos del resto de capas de la red en un proceso iterativo; esta metodología se conoce como propagación hacia atrás. Cada iteración de este entrenamiento se realiza usando un cierto número de muestras o lotes (batch) de las imágenes de entrenamiento. Este proceso termina cuando la red fue entrenada con todas las muestras del conjunto, conocido como una época (epoch) de entrenamiento. El número de épocas se determina según la complejidad de las muestras a clasificar. Finalmente, el entrenamiento culmina cuando la probabilidad de una imagen de entrenamiento sea alta y concuerde con la etiqueta anotada.

DETECCIÓN DE PÓLIPOS

Usando el modelo de la red entrenada, este se aplica a un conjunto de videos de evaluación en el que se clasifica y asigna una etiqueta: (1) cuadros con y (0) sin presencia de pólipos. Sin embargo, hay cuadros con estructuras que se asemejan a la apariencia de un pólipo, como son las burbujas producidas por los fluidos intestinales. En estos cuadros, el modelo presenta un error de clasificación, tomando este cuadro como si tuviera una lesión presente. Analizando temporalmente estos errores, es notable que se presentan como valores atípicos (de 3 a 10 cuadros) en una ventana de tiempo pequeña (60 cuadros o 2 segundos). Por tanto, la clasificación realizada por la red es filtrada temporalmente y determina que, si al menos el 50 % de 60 cuadros contiguos son clasificados sin presencia de pólipos, el resto de los cuadros son filtrados y se les asigna una nueva etiqueta, como cuadros que no contienen pólipo. Finalmente, un pólipo es detectado cuando el método propuesto clasifica una imagen como cuadro con pólipo presente o clase positiva.

BASES DE DATOS

La construcción de la base de datos en este trabajo tuvo como propósito capturar la mayor variabilidad de un procedimiento de colonoscopia. Para entrenar y evaluar el enfoque propuesto se reunieron secuencias de diferentes centros de gastroenterología que contienen lesiones polipoides y no polipoides de tamaños variados (morfología y ubicación en el colon), exploraciones hechas por distintos expertos y equipos de captura. A continuación, se detallan estas bases de datos.

CONSIDERACIONES ÉTICAS

El presente trabajo está acorde a la resolución n.° 008430 de 1993, que establece las normas científicas, técnicas y administrativas para la investigación en humanos (artículo 11). Este proyecto se clasifica como investigación con riesgo mínimo, dado que solo se requiere del uso de imágenes digitales, las cuales se generan a partir de videos de colonoscopias anonimizados; es decir, no existe manera alguna de conocer el nombre o la identificación de los sujetos incluidos en el estudio.

RESULTADOS

Las CNN utilizadas en este trabajo son InceptionV3, Resnet50 y Vgg16. Las etiquetas asignadas por cada una de estas redes fueron comparadas con las anotaciones realizadas por los especialistas en cada uno de los cuadros. La siguiente configuración experimental y la metodología de evaluación fueron aplicadas a cada una de las arquitecturas.

Evaluación cuantitativa

El enfoque propuesto detecta automáticamente pólipos en videos de colonoscopia; esta tarea está enmarcada como un problema de clasificación binaria. Este método establece una etiqueta a cada cuadro como clase negativa (cuadro que no contiene pólipo) o clase positiva (cuadro que contiene pólipo). Para evaluar el rendimiento de este trabajo, se compara la etiqueta estimada o predicha con la etiqueta anotada por el experto. Esta comparación permite calcular la matriz de confusión, que contabiliza lo siguiente:

• Verdaderos positivos (true-positives [TP]): es la cantidad de cuadros que fueron clasificados correctamente como clase positiva por el modelo.

• Verdaderos negativos (true-negatives [TN]): es la cantidad de cuadros que fueron clasificados correctamente como clase negativa por el modelo.

• Falsos positivos (false-positives [FP]): es la cantidad de cuadros que fueron clasificados incorrectamente como clase positiva por el modelo.

• Falsos negativos (false-negatives [FN]): es la cantidad de cuadros que fueron clasificados incorrectamente como clase negativa por el modelo.

Usando la matriz de confusión, se seleccionaron y calcularon 4 métricas de clasificación que evalúan el desempeño del método para clasificar cuadros con (clase positiva) y sin (clase negativa) pólipo independientemente, y el poder de predicción en ambas clases en general:

• La sensibilidad mide la proporción de cuadros correctamente clasificados que contienen pólipos.

• La especificidad calcula la proporción de cuadros correctamente clasificados que no contienen pólipos.

• La precisión indica el poder predictivo del método para clasificar cuadros con pólipos.

• La exactitud es la tasa de cuadros clasificados correctamente, según el número total de estos.

Los resultados obtenidos se presentan por cada una de las arquitecturas de aprendizaje profundo explicadas en la sección de metodología. En la Tabla 3 se presentan los resultados obtenidos por cada una de las arquitecturas.

Tabla 3 Resultados obtenidos por el método propuesto* 

Métrica	InceptionV3	Resnet50	Vgg16
Exactitud	0,81	0,77	0,73
Sensibilidad	0,82	0,89	0,81
Especificidad	0,81	0,71	0,70
Precisión	9,67	0,59	0,56
Puntaje F1	0,74	0,71	0,66
ROC (área bajo la curva)	0,85	0,87	0,81

*En las columnas se especifica la arquitectura en evaluación y en las filas, cada una de las métricas utilizadas.

Por una parte, aunque la mayoría de estas arquitecturas muestran un rendimiento sobresaliente en la tarea de clasificación, la arquitectura Resnet50 presenta las mejores métricas en términos de qué tan bien detectó la clase positiva o cuadros con pólipos, y se obtuvo un 0,89 de sensibilidad. Por otra parte, la arquitectura InceptionV3 fue la que mejor detectó la clase negativa o cuadros sin pólipos, y se obtuvo un 0,81 de especificidad. Para evaluar de manera más detallada el rendimiento de estas arquitecturas, se construyeron las curvas ROC (receiver operating characteristic) por arquitectura. En esta representación se busca analizar cómo los modelos clasifican las imágenes en términos de especificidad y sensibilidad variando el umbral de decisión sobre las probabilidades entregadas por el modelo. Como se puede apreciar en la Figura 2, la arquitectura Resnet50 separa mejor las clases independientemente del umbral de decisión. Esto indica que esta arquitectura logró generalizar mejor la variabilidad intra- e interclases.

Figura 2 Curvas ROC para cada una de las arquitecturas evaluadas. La línea naranja corresponde a la curva de la arquitectura InceptionV3; la línea azul, a la arquitectura Resnet50; y la línea verde, a la arquitectura Vgg16. La arquitectura Resnet50 presenta un mejor desempeño, con un área bajo la curva de 0,87. 

DISCUSIÓN

La detección de los pólipos adenomatosos es el principal indicador de calidad en colonoscopia, dado que es un marcador fundamental para la detección y prevención del CCR. En muchos países, la calidad del gastroenterólogo se mide por el número de estos pólipos que detecta en todas sus colonoscopias y en promedio gira alrededor de un 25 % para el experto, pero puede ser tan baja como del 10 % para el gastroenterólogo inexperto, lo cual lleva a que a este último se le escapen más los adenomas.

Es así como varios estudios ^10-12 reportan que el 26 % de los pólipos no se detectan durante las colonoscopias, lo cual puede contribuir para que se presenten más casos de CCR. Es así́ como se presentaron 1,8 millones de nuevos casos en el mundo para el 2018 (International Agency for Research on Cancer, 2018) ¹. Esta tasa de pérdida se debe a que hay varios factores que afectan una exploración adecuada del colon como la experiencia y el nivel de concentración (asociado con la fatiga) del experto durante toda una jornada laboral, las condiciones fisiológicas del colon como puntos ciegos en las haustras y la dificultad de ubicar el colonoscopio por la motilidad propia del órgano, y la preparación previa del colon por parte del paciente, que determina qué tan observables son las paredes del colon, según el nivel de limpieza de estas ²³. La mayoría de estos factores advierte que la colonoscopia es altamente dependiente del factor humano, exhibiendo una necesidad de contar con segundos lectores que no se vean afectados por estos factores. El uso de herramientas computacionales para la detección de pólipos en la práctica clínica ayudaría a corroborar los hallazgos realizados por el experto y, de mayor importancia, alertar sobre posibles lesiones que el experto no detectó. De este modo, estas herramientas ayudarían a disminuir las tasas de pólipos no detectados y, por ende, disminuir la incidencia del CCR.

Para dar soporte al diagnóstico del CCR usando herramientas por visión de computador, este reto se ha abordado de la siguiente manera:

La detección de pólipos es la primera tarea y principal que debe afrontar el gastroenterólogo. Las tareas posteriores a la detección (la localización y segmentación) son procesos de utilidad para el experto cuando ya ha detectado la lesión y necesita describirla morfológicamente, tomando como referencia guías medicas como la Clasificación de París ⁶. Esta clasificación le permite decidir el manejo quirúrgico de la enfermedad a corto y largo plazo. Consecuentemente, estas tareas dependen totalmente de qué tan precisa sea la detección previa; por tanto, la metodología propuesta se enfoca exclusivamente en la tarea principal que requiere el experto: obtener cuadros de colonoscopia con presencia de lesiones. Además, en el estado del arte, los trabajos que han abordado estas tareas ^13-15 describen limitaciones para presentar un solo flujo abarcando al menos dos de estas. Estos trabajos usan metodologías diferentes para cada tarea, ya que cada una tiene su propio nivel de complejidad. En general, para detectar cuadros con pólipos se miden relaciones contextuales o globales a nivel de la imagen; mientras que la localización y segmentación analizan a nivel del píxel midiendo relaciones locales.

Este trabajo presenta una estrategia robusta para la detección de pólipos, solventada como un problema de clasificación. Las redes profundas para tareas de clasificación son métodos que fueron formulados décadas atrás, pero no habían sido explotadas ya que la potencia de cómputo y la disponibilidad de bases de datos anotadas eran limitadas. En los últimos 5 años, el uso de estos modelos ha aumentado drásticamente a causa de desarrollos tecnológicos que permiten una gran cantidad de procesamiento en paralelo y la publicación de bases de datos con millones de imágenes como ImageNet. Esto permitió́ diseñar redes altamente complejas y entrenarlas exhaustivamente, de modo que se obtuvo un alto rendimiento en tareas de clasificación, ya que es capaz de modelar una alta variabilidad de formas, colores y texturas. Sin embargo, en el ámbito médico, no se dispone de una gran cantidad de datos públicos anotados, por lo que no se contemplaba aplicar estos modelos a problemas de detección o clasificación de enfermedades.

El desarrollo de técnicas de transferencia de aprendizaje (o transfer learning) proporcionó una solución a la escasez de datos médicos. Los pesos de las redes entrenadas con millones de imágenes naturales se utilizaron para iniciar una nueva red y entrenarla con una cantidad mucho menor de datos diferentes, como imágenes de colonoscopia. Los trabajos del estado del arte que han utilizado este flujo demuestran que tiene la capacidad de generalizar adecuadamente la alta variabilidad de cuadros con y sin lesiones polipoides en imágenes de colonoscopia extraídas de una base de datos en particular. Sin embargo, los diferentes tipos de lesiones y las condiciones fisiológicas típicas del intestino grueso no son la única fuente de variabilidad. Cuanto menor sea la experticia del especialista, los videos son propensos a tener una mayor cantidad de cuadros ruidosos producidos por oclusiones y movimientos abruptos del colonoscopio. Adicionalmente, los dispositivos de captura varían en las fuentes de luz y los ángulos de visión de las cámaras. Por tanto, entrenar y validar con bases de datos obtenidas de un solo servicio de gastroenterología en específico, como lo hacen los trabajos del estado del arte ^13-15 que han presentado rendimientos sobresalientes, no abarca toda la variabilidad que tiene la tarea de clasificación de imágenes de colonoscopia.

Debido a lo anterior, en este trabajo se consolidó un conjunto de videos de entrenamiento con una alta variabilidad que no se ha presentado en el estado del arte al reunir secuencias de distintas bases de datos. El conjunto usado para entrenar este enfoque contiene: lesiones de distintos tamaños, posiciones y formas; procedimientos de colonoscopia y anotaciones realizados por distintos expertos gastroenterólogos; y videos capturados usando diferentes unidades de colonoscopia. A pesar de dicha variabilidad, este trabajo obtiene una sensibilidad de 0,89 y una especificidad de 0,71 en la tarea de detección de pólipos en secuencias de colonoscopia.

CONCLUSIONES

Las metodologías de aprendizaje profundo actualmente son una opción prometedora para ser usadas en tareas de clasificación médica. El avance de la tecnología junto al diseño y evaluación constante de las redes ha permitido consolidar un conjunto de métodos y flujos para que tengan un alto desempeño. Con las redes evaluadas en este trabajo, los resultados obtenidos demuestran que pueden ser usadas de rutina como segundos lectores en un servicio de colonoscopia.

Es notable que estas redes generalizan adecuadamente la alta variabilidad de los videos de colonoscopia. Los resultados obtenidos demuestran que el método propuesto puede diferenciar sobresalientemente imágenes con y sin presencia de pólipos, independientemente del protocolo clínico particular con el que se grabó el video, refiriéndose al experto que realiza el procedimiento y el dispositivo de captura. Este método podría ser útil para disminuir la brecha entre el gastroenterólogo experto y el principiante en la tasa de detección de adenoma.

Como trabajo futuro, el enfoque propuesto debe ser sometido en procedimientos de colonoscopia completo y evaluar si es posible que sea implementado en tiempo real, además de desarrollar una estrategia que permita no solo detectar, sino también delimitar la lesión dentro del cuadro.