Inteligência artificial aplicada ao diagnóstico clínico e histopatológico do câncer de cabeça e pescoço

Resumo

A digitalização de lâminas histológicas favoreceu a migração da prática diagnóstica para um ambiente completamente digital. Neste contexto, o diagnóstico auxiliado por computador - Computer Aided Diagnosis (CAD) - com foco em análise quantitativa abriu caminhos para o diagnóstico por meio de inteligência artificial (IA) impulsionado pelo crescente desenvolvimento tecnológico que favoreceu o uso de estratégias baseadas em redes neurais que utilizam imagens nesse processo. Este estudo pretende desenvolver e avaliar modelos de Deep Learning (DL) para o suporte ao diagnóstico de lesões de C&P por meio da análise de imagens de lâminas histológicas digitalizadas e fotografias clínicas. A pesquisa será desenvolvida na Faculdade de Medicina da Universidade de São Paulo - FMUSP (São Paulo, São Paulo, Brasil) e a amostra será obtida de diferentes centros com a colaboração e apoio de instituições brasileiras e do exterior. O desenvolvimento e aplicação dos algoritmos, bem como a análise da amostra serão desenvolvidos com o apoio de profissionais da área de Engenharia Biomédica do Instituto de Ciência e Tecnologia da Universidade Federal de São Paulo, Unidade São José dos Campos (ICT-UNIFESP) e do Instituto De Ciências Matemáticas e de Computação da Universidade de São Paulo, Unidade São Carlos (ICMC-USP). A amostra será selecionada, retrospectivamente, através do levantamento de lesões compatíveis com o diagnóstico histológico dentro das seguintes categorias: (1) desordens orais potencialmente malignizáveis, (2) carcinoma espinocelular, (3) tumores de glândula salivar e (4) linfomas. As redes neurais de aprendizado profundo utilizados nesse contexto serão AlexNet, ResNet, DenseNet, Inception, Xception and MobileNet. Eventualmente, a arquitetura que apresentar melhor desempenho será escolhida. O desempenho de cada abordagem utilizada será calculado por meio dos parâmetros de acurácia, sensibilidade, especificidade, coeficiente F1-score, gráficos de curva ROC e a matrizes de confusão. A significância prognóstica será investigada usando as curvas de Kaplan-Meier e análises de risco de Cox, realizando análises univariadas e multivariadas de parâmetros digitais, clínicos e patológicos.