Machine learning para urgenciamento de amostras histopatológicas de câncer e desenvolvimento de interface web para patologia digital e educação médica.

• Processo: 24/00132-9
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de abril de 2024
• Data de Término da vigência: 31 de dezembro de 2025
• Área de conhecimento: Ciências da Saúde - Medicina
• Pesquisador responsável: Viviane Teixeira Loiola de Alencar
• Beneficiário: Luiz Edmundo Lopes Mizutani
• CNAE: Atividades de serviços de complementação diagnóstica e terapêutica
• Vinculado ao auxílio: 23/11600-0 - OncoData: uso de inteligência artificial e machine learning para diagnóstico anatomopatológico de câncer, AP.PIPE
• Assunto(s): Aprendizagem profunda Inteligência artificial Aprendizado computacional Patologia
• Palavra(s)-Chave do Pesquisador: Deep Learning | Inteligência Artificial | machine learning | patologia | Oncologia clínica e anatomia patológica

Resumo

A patologia é essencial para o diagnóstico e correto tratamento de 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 anatomopatológicos 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, doença grave, com impactos sociais e financeiros importantes. Além disso, o número de patologistas têm reduzido ao longo dos anos, gerando escassez desse profissional tão importante e, consequentemente, atraso para diagnósticos, que pode demorar até 3 ou mais semanas, especialmente em locais de difícil acesso. Considerando o número de biópsias realizadas por ano no nosso país, 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 do escore de Gleason (GS) em amostras anatomopatológicas de câncer de próstata. Essa neoplasia é a mais comum na América Latina, e o GS é essencial para definição terapêutica e prognóstica, com estudos evidenciando variabilidade inter e intrapatologista. Além disso, evoluiremos a plataforma de patologia digital já inicialmente 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.