
Explorando novos modelos baseados em aprendizagem profunda para análise de imagens histopatológicas do câncer

Visualização de blocos selecionados do WEEP para diferentes estratégias de modelagem. Crédito: DOI: 10.69622/27291567.v1
A avaliação histopatológica de amostras tumorais tem sido essencial no diagnóstico do câncer de mama e na orientação da tomada de decisão clínica. No entanto, um dos principais desafios no diagnóstico de rotina inclui as variabilidades interobservadores e interlaboratoriais presentes na avaliação de marcadores prognósticos que podem levar ao sub e ao excesso de tratamento dos pacientes.
Com a atual digitalização contínua dos laboratórios de patologia, permitiu o avanço da patologia computacional, que demonstrou o potencial para melhorar os diagnósticos de rotina e de precisão e oferecer apoio à decisão tanto para patologistas como para médicos assistentes para melhorar o tratamento do cancro da mama.
A aprendizagem profunda enquadra-se no âmbito mais amplo da inteligência artificial (IA), que demonstrou potencial para avançar além da patologia tradicional, melhorando a avaliação de risco, a previsão de prognóstico e as previsões de resposta ao tratamento. Esta abordagem, conhecida como patologia de precisão baseada em IA, oferece novas possibilidades para um melhor atendimento ao paciente.
Em sua tese, Abhinav Sharma, do Departamento de Epidemiologia Médica e Bioestatística, desenvolveu e validou modelos baseados em aprendizagem profunda para tarefas de patologia de precisão baseadas em IA para melhorar o diagnóstico de câncer de mama usando amostras de tecido tumoral coradas rotineiramente.
Quais são os resultados mais importantes da sua tese?
“Minha tese inclui quatro estudos diferentes e sem ser muito técnico, aqui estão algumas das minhas principais descobertas: No meu primeiro estudo, desenvolvemos e validamos um modelo baseado em aprendizagem profunda (predGrade) que imita o grau histológico clínico, para classificar mama invasiva câncer em três graus com base em imagens de lâminas inteiras coradas com H&E (WSIs). O modelo mostrou potencial na redução da variabilidade interobservador e interlaboratorial, oferecendo uma ferramenta de apoio à decisão clínica mais reprodutível e robusta para o câncer de mama histológico. classificação.
“No segundo estudo, validamos uma solução baseada em IA, Stratipath Breast, usada para estratificação de risco de câncer de mama, em dois hospitais independentes na Suécia. Neste estudo de validação retrospectivo, Stratipath Breast poderia melhorar significativamente a estratificação de risco prognóstico para câncer de mama intermediário. pacientes com risco de câncer de mama, o que pode melhorar ainda mais a melhor atribuição da quimioterapia adjuvante nesses pacientes e evitar o sub e o tratamento excessivo dos pacientes.
“No estudo III, introduzimos uma metodologia chamada abordagem Wsi rEgion sElection (WEEP) para interpretar espacialmente os modelos fracamente supervisionados baseados em aprendizagem profunda. Esta metodologia pode fornecer insights sobre a tomada de decisão de tais modelos de IA que podem ser úteis tanto em pesquisa e aplicações de diagnóstico.
“No estudo IV, desenvolvemos um modelo de predição de pontuação de risco prognóstico de múltiplas manchas baseado em aprendizado profundo usando WSIs corados rotineiramente para pacientes com câncer de mama. Vimos uma melhoria na previsão de pontuação de risco prognóstico ao usar a combinação de alinhamento local e espacial de múltiplas manchas em comparação com manchas individuais que podem potencialmente fornecer uma solução para uma melhor estratificação de risco de pacientes com câncer de mama”.
O que você acha que deveria ser feito em pesquisas futuras?
“Tenho uma formação interdisciplinar em bioengenharia e sempre fui apaixonado por trabalhar na intersecção entre biologia e tecnologia. Avanços recentes na aplicação de inteligência artificial aos cuidados de saúde, particularmente na melhoria de diagnósticos e no fornecimento de tratamentos personalizados para pacientes com cancro, chamaram a minha atenção. “
Mais informações:
Abhinav Sharma, Desenvolvimento e validação de novos modelos baseados em aprendizagem profunda para análise de imagens histopatológicas do câncer (2024). DOI: 10.69622/27291567.v1
Fornecido por Instituto Karolinska
Citação: Explorando novos modelos baseados em aprendizagem profunda para análise de imagens histopatológicas do câncer (2025, 15 de janeiro) recuperado em 15 de janeiro de 2025 em https://medicalxpress.com/news/2025-01-exploring-deep-based-cancer-histopathology.html
Este documento está sujeito a direitos autorais. Além de qualquer negociação justa para fins de estudo ou pesquisa privada, nenhuma parte pode ser reproduzida sem permissão por escrito. O conteúdo é fornecido apenas para fins informativos.