Control de calidad de láminas histológicas: seis herramientas de segmentación de artefactos comparadas en tres conjuntos de datos, HistoKit a la cabeza
Un equipo de la Silesian University of Technology (Polonia) y del LMU Klinikum de Múnich comparó seis herramientas públicas que detectan, en láminas de patología digitalizadas, defectos de preparación o de escaneo (pliegues, zonas desenfocadas, burbujas de aire, manchas). HistoKit, que reutiliza el módulo de artefactos de GrandQC, queda primero y HistoQC último, y un simple paso de posprocesado mejora aún más a HistoKit. El trabajo es útil porque por fin compara estas herramientas con los mismos datos, pero los conjuntos anotados son diminutos, uno de ellos lo anotó una sola persona y ningún resultado se traduce en efecto sobre el diagnóstico.
El contexto
La patología digital consiste en escanear láminas de vidrio para obtener imágenes gigantes, las «whole slide images» (WSI), de varios gigabytes cada una, y analizarlas por ordenador. Las láminas teñidas con hematoxilina-eosina (H&E, la tinción estándar que colorea los núcleos de azul violáceo y el resto de rosa) son frágiles: un pliegue del tejido, una burbuja de aire bajo el cubreobjetos, una zona desenfocada, una mancha de tinta de rotulador o una mota de polvo bastan para desorientar a un modelo de IA posterior, que puede tomar el artefacto por una lesión o ignorar una zona útil.
Por eso las cadenas de análisis empiezan con un control de calidad automático: se segmenta (se delimita píxel a píxel) el tejido aprovechable y las zonas defectuosas. Existen varias herramientas, pero según los autores pocas son realmente utilizables por terceros, y las comparaciones sobre varios conjuntos de datos son escasas. Ese es el hueco que apunta este preprint, depositado en arXiv (categoría eess.IV) y enviado a Medical Image Analysis. Aún no ha pasado revisión por pares.
El método
Los autores prueban seis algoritmos públicos en dos tareas: aislar el tejido aprovechable y luego clasificar los artefactos (fondo, manchas oscuras u objetos extraños, bordes y burbujas de aire, pliegues, zonas desenfocadas «out-of-focus», marcas de rotulador). Las seis herramientas son: GrandQC (una red U-Net++ con codificador EfficientNet-B0, es decir, una red de segmentación de imágenes en forma de U con un extractor de características ligero), HistoKit (detección de tejido por umbral más el módulo de artefactos de GrandQC, aplicado con ventanas que se solapan), HistoQC (métricas de imagen y clasificadores clásicos), HistoROI (un clasificador ResNet18 sobre pequeñas teselas, entrenado con un experto en el bucle), el trabajo de Patil y colaboradores (U-Net) y el de Schreiber y colaboradores (simple umbral en un espacio de color, con el método de Otsu).
Tres conjuntos de datos sirven de referencia. El conjunto A tiene 13 regiones anotadas de TCGA y CAMELYON16 (dos colecciones públicas), con segmentación binaria tejido frente al resto. El conjunto B tiene 567 regiones anotadas (el texto habla de 574 imágenes tras el filtrado) de un centro austriaco, reconstruidas a partir de anotaciones por teselas. El conjunto C, nuevo, tiene 23 regiones de 20 láminas, de TCGA (seis órganos) y del proyecto Compass NMD (músculo), anotadas por una doctoranda con ImageJ; se publicará en Zenodo cuando salga el artículo.
Las métricas se miden por píxel: el índice de Dice (solapamiento entre la zona predicha y la de referencia, de 0 a 1, donde 1 es un solapamiento perfecto), la sensibilidad (proporción de píxeles de tejido realmente recuperados) y la tasa de falsos descubrimientos, o FDR (proporción de píxeles predichos como tejido que no lo son). La estadística usa el test de Friedman (que compara varios métodos sobre las mismas imágenes) seguido de tests de Wilcoxon por pares con corrección de Benjamini-Hochberg, que limita el riesgo de concluir en falso cuando se multiplican las comparaciones.
Los resultados
Métricas de ML. Las diferencias entre métodos son estadísticamente significativas. HistoKit y GrandQC son sólidos en los tres conjuntos para la detección de tejido. HistoKit supera significativamente a GrandQC en el conjunto B (Dice y FDR) y en el C (todas las métricas), en parte porque GrandQC procesa teselas sin solapamiento que dejan artefactos de borde visibles. En la segmentación de artefactos, GrandQC y HistoKit superan claramente a Patil y colaboradores, que a menudo confunde artefactos con desenfoque o toma pliegues por tejido; HistoKit mejora sobre todo pliegues, bordes y zonas desenfocadas en algunos conjuntos. Las clases más difíciles para todos son las manchas oscuras y las zonas desenfocadas. HistoQC es el peor: a menudo no detecta el tejido, lo que baja mecánicamente su FDR sin hacerlo mejor.
El tiempo de cálculo, medido sobre una sola imagen de 0,98 GB, cambia la lectura. Por lámina, HistoROI tarda 0,14 minutos, Schreiber 0,20, Patil 0,25, HistoQC 0,32, GrandQC 0,78 y HistoKit 6,18 (con 75 % de solapamiento). El solapamiento marca la diferencia: en el paso de artefactos de HistoKit, 0 % cuesta 0,41 minutos, 75 % cuesta 2,02 y 90 % cuesta 10,71. Los autores recomiendan un solapamiento algo inferior al 90 %. Un paso de posprocesado (apertura morfológica con un disco de 5 píxeles, relleno de huecos, umbral de área del 0,025 % de la lámina) mejora significativamente el Dice y la sensibilidad en los conjuntos A y B, sin efecto en C.
Traducción clínica. No la hay, y es el punto clave: el artículo no informa sensibilidad diagnóstica, ni falsos positivos a nivel de paciente, ni efecto sobre la lectura de un patólogo. Un mejor Dice en pliegues no dice cuántas láminas se rechazarían por error, cuántos artefactos llegarían a los modelos diagnósticos posteriores ni cuánto costaría reescanear. Estas conversiones no pueden calcularse con los datos del preprint.
Lo que está bien
Una comparación real, con herramientas excluidas nombradas. Los autores enumeran las herramientas que no pudieron probar y por qué: PathProfiler no se ejecuta, SliDL tiene pesos inaccesibles, SlideInspect, Smit y colaboradores, GuardQC, AIRAQc y DiffusionQC no tienen código o pesos utilizables, y GrandQC+ no tiene scripts públicos. Este inventario documenta el estado real de la reproducibilidad en el campo.
Una estadística adecuada. Friedman, luego Wilcoxon corregido, con tamaños de efecto: no es la norma en este subcampo, donde a menudo se comparan medias sin test.
Una medida del coste de cálculo. Informar de 0,41 a 10,71 minutos según el solapamiento muestra un compromiso real entre calidad y tiempo que los artículos de método suelen omitir. El código de los análisis, HistoKit y GrandQC están en GitHub, y el conjunto C se publicará en Zenodo.
Lo que está peor
Conjuntos anotados diminutos y verdad terreno frágil. El conjunto A tiene 13 regiones, el C 23 regiones de 20 láminas anotadas por una sola persona en formación: posible ruido de etiquetas (label noise), sin acuerdo entre anotadores en la parte leída. El conjunto B tiene etiquetas de fondo incoherentes, que los autores esquivan excluyéndolas de la referencia. El conjunto A no anota el desenfoque. Las diferencias no significativas en C para algunos artefactos, como los bordes, quizá se deban al escaso número de imágenes.
Sesgo de comparador por disponibilidad. Siete herramientas se descartaron por falta de código o pesos, HistoQC no pudo ejecutarse en el conjunto B ni leer la magnificación de tres imágenes del A, y HistoROI no se ejecutó en B. La clasificación se refiere, pues, a herramientas que funcionan sin esfuerzo, no al estado del arte completo. Conviene además verificar un punto de independencia: el repositorio de HistoKit está bajo la cuenta ZAEDPolSl, cuyo nombre evoca al mismo grupo silesio que los autores. La página leída no dice si HistoKit es su propia herramienta; si lo es, un benchmark que corona la herramienta de sus autores pide confirmación por un equipo independiente. Los autores declaran no tener conflictos de intereses.
Una métrica de píxel alejada del uso real. El Dice por píxel mide la calidad del mapa, no su utilidad. Los autores reconocen que no evalúan el efecto en tareas posteriores (segmentación celular, detección de tumores), que solo probaron tinción H&E y que no cubren los artefactos de congelación. El sesgo de población también afecta a escáneres y laboratorios: GrandQC se apoya en datos de un centro austriaco, y una herramienta de control de calidad así entrenada puede degradarse en otros centros, algo que solo una prueba multicéntrica amplia mediría. Por último, un error de predicción puede propagarse a muchas teselas pequeñas con gran aumento.
Lo que cambia
Para la comunidad investigadora. El artículo ofrece una base de comparación reproducible y una regla práctica: el solapamiento de teselas y el posprocesado morfológico importan tanto como la arquitectura. Una vez publicado, el conjunto C añadirá un banco de pruebas en músculo, poco común en este campo. Habrá que ampliarlo y hacerlo anotar por varios patólogos.
Para clínicos y laboratorios. Para un laboratorio que digitaliza sus láminas, el mensaje es modesto: GrandQC o HistoKit parecen buenos puntos de partida, con un coste de cálculo que sopesar, y ninguna herramienta exime de validar con las propias láminas y escáneres. No hay efecto en la práctica diagnóstica a corto plazo.
Para pacientes y público. El efecto es indirecto: un mejor control de calidad reduce el riesgo de que un modelo diagnóstico se vea engañado por un defecto de la lámina, pero este artículo no mide ese riesgo.
Para ir más lejos
Preprint: Merta J., Mendelsohn D., Schoser B., Polanska J., Marczyk M., «Benchmarking and Improvement of Artifact Segmentation Methods in H&E-Stained Whole Slide Imaging», arXiv:2610.24037, enviado a Medical Image Analysis, licencia CC BY-NC-SA 4.0 (arxiv.org/abs/2610.24037). Afiliaciones: Silesian University of Technology (Gliwice, Polonia), Friedrich-Baur-Institut, LMU Klinikum (Múnich), Yale Cancer Center. Financiación: proyecto CoMPaSS-NMD, Horizon Europe, convenio 101080874. Código: análisis del benchmark, HistoKit, GrandQC.
Nota de transparencia editorial: este artículo fue producido por la cadena editorial automatizada de Tatakoto a partir de la versión HTML del preprint de arXiv; los últimos 5 000 caracteres del texto no pudieron leerse y las cifras son las informadas en la parte leída. Las versiones en inglés, español y chino se generan con IA. ¿Un error? Contáctenos.