Utilização da aprendizagem auto-supervisionada para prever a recorrência e a transformação maligna da leucoplasia oral estratificada de acordo com o tipo de tratamento

Resumo

Este projeto visa avaliar um modelo de aprendizagem profunda (DL) baseado na aprendizagem auto-supervisionada para prever a recorrência e a transformação maligna da leucoplasia oral, estratificada pelo tratamento cirúrgico. O estudo utilizará imagens histopatológicas e dados de tratamento de pacientes com leucoplasia oral. As imagens de lâminas inteiras (WSIs) serão processadas utilizando a ferramenta Slideflow para anotar as Regiões de Interesse (ROI) e extrair mosaicos para análise. Inicialmente, um modelo de aprendizagem auto-supervisionado será pré-treinado em grandes quantidades de dados não rotulados para aprender representações robustas de imagens histopatológicas. Subsequentemente, o modelo será aperfeiçoado utilizando uma abordagem supervisionada, rotulando cada mosaico com base no diagnóstico da lâmina original. Durante o treino, serão utilizadas técnicas de aumento de dados e de normalização para aumentar a robustez do modelo. As previsões finais serão baseadas na média das previsões de todos os pixel's de cada lâmina. O desempenho do modelo será avaliado usando métricas como precisão, sensibilidade, especificidade, F1-score e área sob a curva (AUC-ROC). As análises estatísticas irão comparar os resultados preditivos entre os pacientes tratados com bisturi e os tratados com laser. O tempo para recorrência e transformação maligna será comparado entre os grupos de tratamento usando curvas de Kaplan-Meier, com significância estatística testada usando o teste log-rank. Este modelo tem o potencial de contribuir para abordagens de tratamento personalizadas para a leucoplasia, ajudando na seleção do método de tratamento mais adequado (bisturi ou laser) para cada paciente.