Inteligência artificial no diagnóstico de linfomas de cabeça e pescoço de baixo e alto grau.

• Processo: 23/11058-1
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 01 de março de 2025
• Data de Término da vigência: 28 de fevereiro de 2026
• Área de conhecimento: Ciências da Saúde - Odontologia
• Pesquisador responsável: Pablo Agustin Vargas
• Beneficiário: Lucas Lacerda de Souza
• Supervisor: Syed Ali Khurram
• Instituição Sede: Faculdade de Odontologia de Piracicaba (FOP). Universidade Estadual de Campinas (UNICAMP). Piracicaba , SP, Brasil
• Instituição Anfitriã: University of Sheffield, Inglaterra
• Vinculado à bolsa: 22/03123-5 - Inteligência artificial no diagnóstico de neoplasias de células pequenas, redondas e azuis, BP.DR
• Assunto(s): Inteligência artificial Linfoma Neoplasias Patologia Patologia bucal
• Palavra(s)-Chave do Pesquisador: Inteligência Artificial | linfoma | Neoplasia | patologia | Patologia Oral

Resumo

Linfomas são neoplasias hematopoiéticas que apresentam um desafio diagnóstico para patologistas devido às suas características morfológicas, imunofenotípicas e moleculares distintas. Com o avanço das tecnologias computacionais, a utilização de técnicas de inteligência artificial por meio de sistemas digitais e o desenvolvimento de algoritmos para análise de imagem têm sido estudados para melhorar a eficiência diagnóstica. Este estudo visa avaliar diversos modelos pré-treinados de redes neurais usando uma abordagem de Aprendizado Profundo para diferenciar linfomas de baixo e alto grau e diagnosticar lesões com características microscópicas similares. Amostras retrospectivas diagnosticadas como linfomas serão coletadas, e as lâminas escaneadas e manualmente anotadas para validar as imagens, delineando áreas de lesões e tecido conectivo. As imagens serão fragmentadas em pedaços, redimensionadas para uma dimensão padrão de 299x299 e posteriormente processadas por uma rede neural. Uma divisão aleatória das imagens será realizada usando uma rede de códigos baseada no teste desejado a ser realizado na rede neural. Modelos pré-treinados como UNet, Efficient UNet e Xception serão usados, gerando uma classificação das características distintas entre os grupos analisados. O objetivo final destas análises é desenvolver um algoritmo que apoie o diagnóstico histopatológico preciso ou auxilie patologistas no diagnóstico de linfomas de cabeça e pescoço de baixo e alto grau, melhorando assim o prognóstico do paciente.