Aprendizado profundo para assistência histopatológica: um modelo computacional para detectar micrometástases em câncer de mama

CONTEXTO: O câncer é hoje um dos principais problemas de saúde pública em todo o mundo e o câncer de mama é um dos mais comuns e mortais em mulheres. O prognóstico da doença e a taxa de sobrevida dos pacientes decresce significativamente quando o câncer de mama apresenta metástase. A avaliação da presença de células tumorais nos linfonodos axilares é atualmente o padrão ouro para o diagnóstico de metástases. No entanto, a tarefa de análise de uma lâmina histopatológica é exaustiva ao patologista e suscetível a falhas, principalmente em relação a detecção de micrometástase. Avanços na área da digitalização de imagens histopatológicas e nas tarefas de aprendizado de máquina abriram novos caminhos para o estudo de modelos que possam auxiliar em tarefas relacionadas ao diagnóstico de micrometástases em câncer de mama. OBJETIVO: Assim, esta pesquisa tem como objetivo auxiliar nesta investigação, através da investigação de um modelo de aprendizado profundo capaz de detectar as micrometástases de câncer de mama em uma eficiência comparável à do patologista. METODOLOGIA: Para isso, nossa arquitetura é dividida em duas tarefas principais. A primeira, consiste em um rede neural convolucional para realizar uma classificação a nível de fragmentos da imagem com a resolução original - que neste trabalho nos referiremos como patches - realizando uma classificação em cada patch. Em seguida, realizamos a segunda tarefa cuja qual é responsável por realizar a segmentação a nível de pixel, para extrair as áreas metastáticas das imagens e mensurá-las, de modo a identificar as micrometástases. Para treinar nosso modelo, utilizamos o conjunto de dados do desafio Camelyon16. Desde modo, as métricas de avaliação do nosso modelo são baseadas nas baselines avaliadas por este desafio. RESULTADOS: Para os resultados parciais, nossa tarefa de classificação obteve um AUC = 0.998 nos testes isolados realizados ao nível de fragmentos da lâmina, sendo F1Score = 1.00 para a classe negativa e F1Score = 0.99 para a positiva, não gerando falsos negativos nas etapas parciais. Nossa tarefa de segmentação atingiu o resultado de IoU − Score : 0.5434 F I − Score : 0.64818. Os resultados finais foram encontrados através da reconstrução das imagens segmentadas. Embora tenhamos obtido bons resultados nos testes parciais e isolados de cada tarefa para os fragmentos da imagem, os mesmos não corroboraram com o resultado final da lâmina produzido ao final do framework, de modo que esses não refletiram as métricas encontradas nos testes parciais, não sendo possível localizar as regiões de metástase com precisão. No entanto, ainda há espaço para melhorias no modelo e os resultados experimentais indicam que o método tem potencial para contribuir com o estudo proposto. Por optarmos por trabalhar com as imagens na maior resolução, dividindo-as em patches e tendo um modelo de rede neural de duas camadas - classificação e segmentação, o tempo de processamento de uma única lâmina pelo framework proposto se encontra em 2 horas para ser completado. CONCLUSÃO: Nossos resultados indicam que, com o aprimoramento da implementação do método, este modelo possui potencial para atender as contribuições propostas por esta dissertação e a mesma indica novas possibilidade de análises e testes para implementar melhorias no mesmo.