Desenvolvimento e validação de uma plataforma de inteligência artificial com aprendizado contínuo para Oncologia de precisão

• Processo: 22/12991-0
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Data de Início da vigência: 01 de fevereiro de 2023
• Data de Término da vigência: 31 de janeiro de 2025
• Área do conhecimento: Ciências Biológicas - Genética - Genética Humana e Médica
• Pesquisador responsável: Israel Tojal da Silva
• Beneficiário: Israel Tojal da Silva
• Instituição Sede: A C Camargo Cancer Center. Fundação Antonio Prudente (FAP). São Paulo , SP, Brasil
• Pesquisadores associados: Alexandre Defelicibus ; Diana Noronha Nunes ; Dirce Maria Carraro ; Emmanuel Dias-Neto ; Evandro Sobroza de Mello ; Felipe José Fernandez Coimbra ; Mariangela Ottoboni Brunaldi ; Rafael Andres Rosales Mitrowsky ; Rodrigo Drummond Couto Duarte ; Zhao Liang
• Bolsa(s) vinculada(s): 23/06867-8 - Desenvolvimento e validação de uma plataforma de inteligência artificial com aprendizado contínuo para oncologia de precisão, BP.TT
• Assunto(s): Oncologia Medicina de precisão Biologia computacional Ciência de dados Inteligência artificial Biomarcadores
• Palavra(s)-Chave do Pesquisador: Biologia Computacional | Biomarcadores Digitais | Ciência de dados | Inteligência Artificial | Oncologia | Patologia Computacional | Oncologia

Resumo

A utilização de biomarcadores moleculares tem um grande potencial para impulsionar a oncologia de precisão. Embora promissores, ainda não estão amplamente disponíveis na rotina clínica da maioria dos centros médicos e o seu alto custo pode tornar impeditivo o acesso aos testes à grande parte dos pacientes. Assim, o desenvolvimento de novas abordagens rápidas e de custo-efetiva torna-se cada vez mais necessário. Nesse contexto, o uso de técnicas modernas de Inteligência Artificial (IA) aplicadas à análise de dados complexos representa uma oportunidade para expandir a avaliação de biomarcadores a um grande número de pacientes. Esse projeto pretende integrar resultados de testes moleculares, obtidos a partir dos ensaios considerados padrão-ouro, em conjunto com imagens digitalizadas com a morfologia do tecido tumoral coradas com Hematoxilina-Eosina (H&E). Ao final, espera-se construir um sistema inteligente de aprendizagem contínua capaz de fornecer um painel de análogos digitais aos biomarcadores, sejam eles diagnósticos, preditivos ou de prognóstico. De importância, usaremos princípios de explicabilidade visando obter compreensão de quais (grupos de) parâmetros conhecidos ou novos têm alta influência nas previsões obtidas dos modelos de IA. Finalmente, iremos construir uma valiosa base de dados de acesso livre, embarcar um painel de modelos em uma interface computacional e disponibilizá-lo à comunidade médica e científica visando apoiar na geração de hipóteses e na validação de achados que possam contribuir para as áreas da saúde e IA, com ênfase na Oncologia. (AU)