OncoData: uso de inteligência artificial e machine learning para diagnóstico anatomopatológico de câncer

• Processo: 23/11600-0
• Modalidade de apoio: Auxílio à Pesquisa - Pesquisa Inovativa em Pequenas Empresas - PIPE
• Data de Início da vigência: 01 de fevereiro de 2024
• Data de Término da vigência: 31 de janeiro de 2026
• Área do conhecimento: Ciências da Saúde - Medicina
• Pesquisador responsável: Viviane Teixeira Loiola de Alencar
• Beneficiário: Viviane Teixeira Loiola de Alencar
• Empresa: Oncodata Soluções Tecnológicas Ltda
• CNAE: Atividades de serviços de complementação diagnóstica e terapêutica
• Pesquisadores principais: Felipe Navarro Balbino Alves
• Pesquisadores associados: Fabio Rocha Fernandes Tavora ; Vladmir Cláudio Cordeiro de Lima
• Vinculado ao auxílio: 21/14596-9 - OncoData: uso de inteligência artificial e machine learning para diagnóstico anatomopatológico de câncer, AP.PIPE
• Bolsa(s) vinculada(s): 25/08743-0 - Uso de inteligência artificial para auxílio à classificação do escore de Gleason em lâminas anatomopatológicas de câncer de próstata, BP.TT; 24/02537-6 - Machine learning para auxílio ao diagnóstico de câncer de próstata em imagens de lâminas histopatológicas inteiras digitalizadas., BP.TT; 24/00132-9 - Machine learning para urgenciamento de amostras histopatológicas de câncer e desenvolvimento de interface web para patologia digital e educação médica., BP.TT; 24/02348-9 - Uso de inteligência artificial para auxílio à classificação do escore de Gleason em lâminas anatomopatológicas de câncer de próstata, BP.TT; 24/00201-0 - OncoData: Uso de inteligência artificial e machine learning para diagnóstico anatomopatológico de Câncer, BP.PIPE
• Assunto(s): Oncologia Patologia Anatomia patológica Diagnóstico de câncer Aprendizado computacional Aprendizagem profunda Inteligência artificial
• Palavra(s)-Chave do Pesquisador: Deep Learning | Inteligência Artificial | machine learning | patologia | Oncologia clínica e anatomia patológica

Resumo

A patologia e essencial para o diagnóstico e tratamento do câncer. Ela consiste em uma avaliação feita por um médico patologista, baseada em padrões previamente descritos, e sua acurácia está diretamente relacionada, entre outros fatores, à experiência do avaliador. Por isso, divergências entre laudos são mais comuns do que esperaríamos e podem chegar até a 25% quando o material é revisado por um patologista experiente. Essas mudanças podem fazer a diferença entre o paciente receber ou não o diagnóstico e o tratamento adequados para o câncer, com impactos sociais e financeiros importantes. Além disso, o número de patologistas tem reduzido ao longo dos anos, gerando escassez desse profissional tão importante e, consequentemente, atraso para diagnósticos, que podem levar até 3 ou mais semanas, especialmente em locais de difícil acesso. Considerando o número de biópsias realizadas por ano, isso se torna um problema emergencial. Para abordar esse problema, na fase 1 do projeto PIPE, desenvolvemos uma prova de conceito de um algoritmo de inteligência artificial (IA) capaz de classificar de forma acurada os subtipos histológicos mais comuns de câncer de pulmão, e uma plataforma para telepatologia, que permite a visualização de imagens por meio de um microscópio digital e o uso combinado de ferramentas de IA. Para o PIPE-2, objetivamos aprimorar a ferramenta de IA de modo a abranger outros subtipos histológicos de câncer de pulmão e validá-la em casos de vida real de pacientes brasileiros, especialmente amostras de biópsias, que constituem um desafio diagnóstico pela escassez de material tumoral. Objetivamos, ainda, elaborar um novo algoritmo de IA com capacidade para classificação de tumores de próstata e do escore de Gleason (GS). Essa neoplasia é a mais comum na América Latina, e o GS e essencial para definição terapêutica e prognóstica, com estudos evidenciando considerável variabilidade inter e intrapatologista. Além disso, evoluiremos a plataforma já desenvolvida na primeira etapa, de modo a torná-la mais funcional aos laboratórios de patologia, com capacidade de integração com sistemas LIS, e criaremos uma plataforma de educação em patologia por meio digital, com foco em faculdades e residências médicas, utilizando como base o que já foi desenvolvido para telepatologia. Todas as ferramentas propostas para a segunda fase do projeto são complementares para a resolução do problema proposto e apresentam grande potencial de impacto para a saúde pública e privada do país. (AU)