UN MODELO DE DEEP LEARNING PARA LA CUANTIFICACIÓN AUTOMÁTICA DE CÉLULAS MICROGLIALES MEDIANTE TINCIÓN INMUNOHISTOQUÍMICA CON DAB FRENTE AL MARCADOR IBA-1 EN MUESTRAS DE MÉDULA ESPINAL DE RATA FIJADAS EN FORMOL E INCLUIDAS EN PARAFINA
Authors
Abstract
El sistema nervioso está formado por células nerviosas y células gliales. Entre los distintos tipos de células gliales, la microglía destaca por su variado papel en el sistema nervioso central. De manera particular, su función inmunológica dentro del propio sistema nervioso protege la médula y el cerebro de agresiones tanto internas como externas. Es precisamente ese reconocimiento de lo endógeno lo que convierte esa típica función inmunológica también en un sistema de señalización de daño interno.
Cuando las células microgliales perciben una alteración en su entorno inmediato, se activan, proliferan en número y comienzan a liberar sustancias pro- (o anti-) inflamatorias capaces de estimular neuronas y células gliales vecinas. Es decir, se comportan como células de tipo inmune. Esa liberación de sustancias las convierte en actores importantes en el desarrollo de enfermedades neurodegenerativas, así como en la creación y extinción de botones sinápticos. Detectar bien la microglía activada, bien el número total de células microgliales resulta de especial interés pues darán cuenta del estado de sensibilización central en el proceso patológico y/o si éste se revierte con el tratamiento experimental. En definitiva, son buenas herramientas de diagnóstico.
El propósito de este estudio es obtener y comparar los resultados de un algoritmo desarrollado con objeto de agilizar el recuento de células microgliales en secciones transversales de médula espinal con el recuento proporcionado por un experto de manera manual. Dicho algoritmo se basa en el estudio a través del color (RGB) de un banco de imágenes filtradas (preprocesadas), basándose en valores color umbral. Este abordaje tiene como principal limitación la presencia de abundante ruido en las imágenes: tonos o colores correspondientes a marcaje inespecífico o artefactos (generalmente, restos de debris celular o a cúmulo de tinción de contraste) que dan lugar a la inclusión de falsos positivos. En ocasiones pueden darse también falsos negativos, que corresponden a microglía no detectada por el algoritmo al no estar lo suficientemente marcada. El reducido número de imágenes analizadas hasta el momento supone una limitación adicional, ya que tiene al evaluador profesional y el tiempo del que dispone como principal factor limitante.
El análisis y comparación de los resultados obtenidos por ambos métodos de recuento muestra una diferencia alta pero constante entre lower bound (número de células teniendo en cuenta un alto nivel de exigencia que favorece el número de falsos negativos), estimación ideal y upper bound (número de células teniendo en cuenta un bajo nivel de exigencia que favorece el número de falsos positivos). Esto es, se necesita seguir alimentando al programa con nuevas imágenes para mejorar su fiabilidad.
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad Rey Juan Carlos
URL external
External URL
DOI
Date
Description
Trabajo Fin de Grado leído en la Universidad Rey Juan Carlos en el curso académico 2024/2025. Directores/as: Luca Martino , Miguel Ángel Martínez García

