Clasificación del grado tumoral en imágenes histológicas de subtipos de cáncer de endometrio mediante análisis de color y textura con aprendizaje automático

Abstract

El cáncer de endometrio representa un reto diagnóstico importante dentro de la patología gineco- lógica, debido a la subjetividad en la evaluación del grado tumoral y la heterogeneidad morfológica entre subtipos moleculares. Esta investigación propone una metodología computacional robusta y automatizada para la clasificación del grado tumoral en los subtipos MSI, CN-LOW y POLE, a partir del análisis de imágenes histológicas del conjunto TCGA-UCEC. Se empleó una estrategia de preprocesa- miento que incluyó eliminación de artefactos no relevantes mediante HistoQC, normalización de color con método de Macenko y mejora de contraste con CLAHE a 2.5x. Posteriormente, se segmentó el tejido tumoral mediante MiniBatchKMeans en el espacio de color LAB, y se generaron parches a 40x sobre regiones con al menos 30 % de contenido tumoral. A cada parche se le extrajeron características texturales (GLCM), estadísticas de color (momentos) y un descriptor híbrido RSHD, además de estimar la densidad nuclear con watershed y umbralización de Otsu. Para reducir la dimensionalidad, se aplicó NMF, seleccionando componentes óptimos por subtipo. La clasificación se realizó con XGBoost, utili- zando validación estratificada a nivel de imagen (WSI). El modelo alcanzó una exactitud del 95.04 % en POLE, 85.67 % en MSI y 75.22 % en CN-LOW. Si bien la precisión varía según el subtipo y la distribución de grados, los resultados reflejan una diferenciación efectiva entre G1, G2 y G3. Esta propuesta reduce la subjetividad diagnóstica y aporta valor clínico al facilitar un análisis cuantitativo reproducible. Se considera una base sólida para integrar modelos automatizados en flujos de trabajo diagnósticos en histopatología.