Clasificación de células en prueba de papanicolaou (pap test) en microscopía

Abstract

En este artículo breve se aborda la clasificación de células cervicales en el pap test, también conocido como prueba de Papanicolau, mediante el uso de YOLOv7. El objetivo final del trabajo es lograr una herramienta que asista a los patólogos en el diagnóstico del cáncer de cuello uterino, mejorando la calidad y los tiempos de diagnóstico. Se realizaron tres experimentos para la obtención de resultados preliminares, utilizando distintos números de clases de entre las seis existentes según el sistema Bethesda (Negativo para lesiones intraepiteliales, ASC-US, ASC-H, LSIL, HSIL, SCC). Se empleó el dataset CRIC para entrenar el modelo, y se desarrollaron una API REST en Flask y una aplicación web para utilizar los modelos entrenados en la inferencia. Los resultados preliminares indican que, con las seis clases, el modelo no logra clasificar con la suficiente exactitud, pero se mejora significativamente al agrupar las cinco clases positivas. Se concluye que las células cervicales son fácilmente detectables con YOLOv7, y que se podrían obtener mejores resultados de clasificación, ya sea mejorando el modelo de detección de objetos, el dataset, o introduciendo un clasificador convolucional como segundo paso.

This short article addresses the classification of cervical cells in the Pap test, also known as the Papanicolaou test, using YOLOv7. The ultimate goal of the work is to achieve a tool that assists pathologists in the diagnosis of cervical cancer, improving quality and diagnostic times. Three experiments were performed to obtain preliminary results, using different class numbers from among the six existing classes according to the Bethesda system (Negative for intraepithelial lesions, ASC-US, ASC-H, LSIL, HSIL, SCC). The CRIC dataset was used to train the model, and a REST API in Flask and a web application were developed to use the trained models for inference. Preliminary results indicate that, with the six classes, the model fails to classify accurately enough, but is significantly improved by clustering the five positive classes. It is concluded that cervical cells are easily detectable with YOLOv7, and that better classification results could be obtained either by improving the object detection model, the dataset, or by introducing a convolutional classifier as a second step.