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

• Processo: 24/18766-4
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Doutorado
• Data de Início da vigência: 09 de junho de 2025
• Data de Término da vigência: 08 de junho de 2026
• Área de conhecimento: Ciências da Saúde - Odontologia
• Pesquisador responsável: Marcio Ajudarte Lopes
• Beneficiário: Caique Mariano Pedroso
• Supervisor: Alexander Thomas Pearson
• Instituição Sede: Faculdade de Odontologia de Piracicaba (FOP). Universidade Estadual de Campinas (UNICAMP). Piracicaba , SP, Brasil
• Instituição Anfitriã: University of Chicago, Estados Unidos
• Vinculado à bolsa: 22/07276-0 - Preditores clinicopatológicos e digitais de recorrência e malignização da leucoplasia oral e da leucoplasia verrucosa proliferativa: um estudo clínico adjunto ao uso da inteligência artificial, BP.DR
• Assunto(s): Inteligência artificial Leucoplasia Transformação celular neoplásica
• Palavra(s)-Chave do Pesquisador: Inteligência Artificial | Leucoplasia | Transformação maligna | Estomatologia e Patologia Oral

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.