Development and validation of an artificial intelligence platform with continuous learning for precision oncology.

• Grant number: 23/06867-8
• Support Opportunities: Scholarships in Brazil - Technical Training Program - Technical Training
• Start date: July 01, 2023
• End date: October 31, 2024
• Field of knowledge: Biological Sciences - Genetics - Human and Medical Genetics
• Principal Investigator: Israel Tojal da Silva
• Grantee: Lucas Alexandre Souza Rosa
• Host Institution: A C Camargo Cancer Center. Fundação Antonio Prudente (FAP). São Paulo , SP, Brazil
• Associated research grant: 22/12991-0 - Development and validation of an artificial intelligence platform with continuous learning for precision oncology, AP.R

Abstract

A inteligência artificial (IA) é um campo da ciência computacional que analisa padrões e estruturas ocultas em dados a fim de apoiar no aprendizado e na tomada de decisões. É importante ressaltar que a pesquisa básica e translacional em oncologia vem sendo moldada com o uso de IA. Nos últimos anos, o desenvolvimento e a aplicação dos métodos de IA incluindo aprendizagem profunda (DL, deep learning), tem possibilitado vincular o fenótipo de imagem às alterações moleculares/genéticas subjacentes em muitos cânceres. No entanto, embora promissoras, essas abordagens requerem uma avaliação extensiva em um grande conjunto de dados por meio de uma validação retrospectiva e prospectiva em estudos multicêntricos, aumentando a precisão e chances de sua aplicabilidade na rotina clínica e, consequentemente, no manejo de pacientes oncológicos. Para alcançar esse objetivo, será integrado um conjunto de imagens histológicas associadas aos respectivos resultados de ensaios moleculares com informações clínicas patológicas de pacientes para a avaliação do status de deficiência de vias de reparo (MMR, mismatch repair) e a avaliação da presença da expressão da proteína HER2, bem como outros biomarcadores. Em seguida será estruturado um fluxo de análise com técnicas analíticas modernas para a construção de um modelo de aprendizagem contínua e validação. Espera-se, ao final, desenvolver um painel de análogos digitais a biomarcadores moleculares capazes de ampliar a avaliação de alterações genéticas com relevância prognóstica a um conjunto amplo de pacientes.