Herramienta de clasificación glomerular en imágenes de biopsias de pacientes con Nefritis Lúpica

Abstract

Este trabajo desarrolló una herramienta de visión por computador basada en aprendizaje profundo para apoyar la detección, segmentación y clasificación de glomérulos en biopsias renales de pacientes con nefritis lúpica. Esta enfermedad es una manifestación renal del lupus eritematoso sistémico y su diagnóstico depende de la evaluación histopatológica de glomérulos. Por ello, el sistema se enfocó en imágenes WSI teñidas con Ácido Peryódico de Schiff (PAS), tinción que resalta membranas basales, matriz mesangial y contornos capilares.

La arquitectura adopta un pipeline secuencial compuesto por lectura de imágenes TIFF y anotaciones GeoJSON, extracción de tiles de 1024×1024 píxeles a 20x, filtrado de fondo mediante Otsu, normalización de Reinhard, estandarización Z-score, aumento de datos y generación de máscaras en QuPath. En la primera fase, una U-Net con encoder ResNet-34 segmenta los glomérulos a nivel de píxel, alcanzando F1/Dice = 0,8757, mIoU = 0,7789 y ROC-AUC = 0,9913. En la segunda fase, la clasificación utiliza una ResNet-34 con entrada RGB y máscara para categorizar los glomérulos en no proliferativo, proliferativo, esclerosado o excluido, obteniendo F1 global = 0,7447 y balanced accuracy = 0,7497. Los resultados evidencian la viabilidad del enfoque U-Net + clasificador como herramienta de apoyo cuantitativo e interpretable, aunque se requiere ampliar el dataset y realizar validación clínica externa antes de su uso asistencial.

This work developed a computer vision tool based on deep learning to support the detection, segmentation, and classification of glomeruli in renal biopsies from patients with lupus nephritis. This disease is a renal manifestation of systemic lupus erythematosus, and its diagnosis depends on the histopathological evaluation of glomeruli. Therefore, the system focused on Whole Slide Images (WSI) stained with Periodic Acid–Schiff (PAS), a stain that highlights basement membranes, mesangial matrix, and capillary contours.

The architecture adopts a sequential pipeline composed of TIFF image and GeoJSON annotation reading, extraction of 1024 × 1024-pixel tiles at 20x magnification, background filtering using Otsu’s method, Reinhard normalization, Z-score standardization, data augmentation, and mask generation in QuPath. In the first phase, a U-Net with a ResNet-34 encoder segments glomeruli at the pixel level, achieving F1/Dice = 0.8757, mIoU = 0.7789, and ROC-AUC = 0.9913. In the second phase, classification is performed using a ResNet-34 model with RGB image and mask inputs to categorize glomeruli as non-proliferative, proliferative, sclerosed, or excluded, obtaining a global F1-score of 0.7447 and a balanced accuracy of 0.7497. The results demonstrate the feasibility of the U-Net plus classifier approach as a quantitative and interpretable support tool, although dataset expansion and external clinical validation are required before clinical use.