Cuando se depende únicamente de imágenes histopatológicas sin técnicas auxiliares adicionales, las muestras pequeñas de biopsias de sarcoma de tejidos blandos retroperitoneales pueden causar variabilidad en el juicio entre observadores, afectando la precisión general del diagnóstico de los subtipos de la enfermedad. Para abordar este problema, se recopilaron 157 imágenes de láminas completas (WSIs) de múltiples centros, cubriendo cinco categorías de enfermedades: liposarcoma desdiferenciado, leiomiosarcoma, tumor maligno de la vaina nerviosa periférica, sarcoma pleomórfico indiferenciado y liposarcoma bien diferenciado. Basándose en estos WSIs, se propusieron dos métodos de ensamblaje de modelos basados en imágenes de escala única y multifocal, entrenados utilizando modelos de aprendizaje profundo como ResNet18, EfficientNet B7 y EfficientNet V2. Los resultados mostraron que ambos métodos de ensamblaje lograron una alta precisión de clasificación, con el mejor modelo alcanzando una precisión general del 82,27% en el análisis a nivel de bloque y del 80,95% en el análisis completo de la lámina. Por lo tanto, el método propuesto puede ayudar eficazmente a los patólogos en la práctica clínica al diagnosticar sarcomas de tejidos blandos retroperitoneales.

sarcoma de tejidos blandos retroperitoneales; aprendizaje profundo; imágenes de lámina completa; diagnóstico de subtipos