Digital pathology has emerged as a transformative field, enabling the digitization and computational analysis of histological slides to enhance cancer diagnosis and research. However, whole slide images (WSIs) are extremely large and heterogeneous, which makes the development of automated and robust analysis pipelines particularly challenging. In this work, we present a comprehensive pipeline that includes tumor region segmentation, cell detection and classification, and cellular composition and spatial analysis, ultimately providing pathologists with objective and interpretable information for potential use in clinical settings. For tumor segmentation, nnU-Net was trained and compared against FCN-ResNet50-U-Net. Cell-DETR and HoVer-NeXt were employed for cell detection as detection-based methods that complement tissue segmentation approaches. The outputs of these models were post-processed and integrated into QuPath, enabling interactive visualization of WSIs, masks, and detected cells. Quantitative metrics such as cell density, class proportions, entropy, and spatial relationships were computed to characterize different tissue regions. The experimental results highlight both the potential and limitations of current deep learning approaches in digital pathology. Although nnU-Net achieved promising segmentation results, input data imbalance remains a challenge for minority classes. Integrating the outputs from both segmenters and detectors into a specialized visualization tool allows pathologists to better manage and interpret the results. When combined with metrics of cellular composition and spatial organization, this approach provides a more comprehensive view of the tissue sample.

La patología digital ha emergido como un campo transformador, que permite la digitalización y el análisis computacional de cortes histológicos para mejorar el diagnóstico y la investigación del cáncer. Sin embargo, las imágenes de portaobjetos completos (WSIs, por sus siglas en inglés) son extremadamente grandes y heterogéneas, lo que hace que el desarrollo de pipelines automáticos y robustos sea particularmente desafiante. En este trabajo, presentamos un pipeline integral que incluye la segmentación de regiones tumorales, la detección y clasificación celular, y el análisis de composición y organización espacial de las células, proporcionando finalmente a los patólogos información objetiva e interpretable para su posible uso en entornos clínicos. Para la segmentación tumoral, se entrenó nnU-Net y se comparó con FCN-ResNet50- U-Net. Cell-DETR y HoVer-NeXt se emplearon para la detección celular como métodos basados en detección que complementan los enfoques de segmentación de tejidos. Las salidas de estos modelos fueron postprocesadas e integradas en QuPath, lo que permitió la visualización interactiva de WSIs, máscaras y células detectadas. Se calcularon métricas cuantitativas, como densidad celular, proporciones de clases, entropía y relaciones espaciales, para caracterizar las diferentes regiones de tejido. Los resultados experimentales destacan tanto el potencial como las limitaciones de los enfoques actuales de deep learning en patología digital. Aunque nnU-Net logró resultados prometedores en segmentación, el desbalance de datos de entrada sigue siendo un desafío para las clases minoritarias. La integración de las salidas de ambos segmentadores y detectores en una herramienta de visualización especializada permite a los patólogos gestionar e interpretar mejor los resultados. Cuando se combina con métricas de composición celular y organización espacial, este enfoque proporciona una visión más completa de la muestra de tejido.