Multivariate classification and Fourier-Transform Mid- Infrared Spectroscopy (FT-MIR) in cancer prostate tissue

• Ano de defesa: 2017
• Autor(a) principal: Siqueira, Laurinda Fernanda Saldanha
• Orientador(a): Lima, Kassio Michell Gomes de
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Programa de Pós-Graduação: PROGRAMA DE PÓS-GRADUAÇÃO EM QUÍMICA
• País: Brasil
• Palavras-chave em Português: Câncer; Classificação multivariada; FT-MIR
• Área do conhecimento CNPq: CNPQ::CIENCIAS EXATAS E DA TERRA::QUIMICA
• Link de acesso: https://repositorio.ufrn.br/jspui/handle/123456789/22512

Esta tese é um aporte teórico-prático para a diferenciação dos tipos de câncer de próstata por meio de classificação multivariada aplicada em espectros MIR oriundos de tecidos humanos. Para isso, buscou-se identificar diferenças espectrais entre os graus de câncer de próstata, determinar potenciais marcadores bioquímicos responsáveis pela diferenciação e comparar os desempenhos dos modelos multivariados de classificação, a partir de amostras de tecidos de próstata previamente classificadas em Gleason II, III e IV para câncer. Em um primeiro estudo, os modelos PCA-LDA, SPA-LDA e GA-LDA foram construídos visando uma metodologia para discriminação dos estágios de câncer de próstata baseada na graduação de Gleason e na categorização de ‘Baixo e Alto Graus’; e, para identificação de potenciais marcadores espectrais. Os desempenhos dos modelos foram comparados. GA-LDA produziu os resultados mais satisfatórios, sendo melhor na perspectiva de ‘Baixo e Alto graus’, com taxas de acerto de 83% e valores de sensibilidade e especificidade 100% e 80%, respectivamente. Em um segundo estudo, PCA-LDA/QDA e GA-LDA/QDA tiveram seus desempenhos comparados na classificação de ‘Baixo e Alto graus’ de câncer de próstata, considerando caráter linear ou quadrático na diferenciação. Os modelos QDA obtiveram resultados superiores aos LDA, bem como métodos de seleção de variáveis (GA) foram melhores do que os de redução de variáveis (PCA). GA-QDA obteve melhor desempenho com taxas de acerto para amostras de calibração e de previsão de 97% e 100%, respectivamente; e sensibilidade e especificidade de 75% e 100%, respectivamente. Em um terceiro estudo, modelos SVM independentes (linear, polinomial, RBF e quadrático) e os algoritmos PCA-SVM, SPA-SVM e GA-SVM foram aplicados a fim de avaliar o uso de métodos de redução e seleção de variáveis em um enfoque não linear, para rastreamento de ‘Baixo e Alto graus’ do câncer de próstata. Os modelos SVM independentes obtiveram desempenhos inferiores aos dos demais. O melhor modelo foi GA-SVM com 100% e 90% das amostras de câncer ‘Baixo grau’ de calibração e previsão corretamente classificadas, respectivamente; e sensibilidade e especificidade de 90%. Os potenciais biomarcadores espectrais identificados pelos estudos foram atribuídos às regiões de amidas I, II, III e proteínas (≈1591–1483 cm-1), de DNA e RNA (≈1000–1490 cm−1) e de fosforização de proteínas (≈970 cm-1). A variação das respectivas intensidades foi mais acentuada nos espectros do ‘Alto grau’ de câncer. Alterações nessas regiões podem indicar modificações metabólicas provocadas pela progressão do câncer. Os métodos propostos mostraram que potencialmente podem ter melhores desempenhos que os métodos tradicionais de diagnóstico. Os resultados encontrados indicaram que a classificação multivariada combinada com FTMIR possibilitou diferenciar estados patológicos dos tecidos principalmente nos estados iniciais do câncer (‘Baixo grau’) com objetividade, rapidez, acurácia, fácil procedimento, independência de variabilidade intra e inter-observador, e alta sensibilidade e especificidade; em comparação às técnicas tradicionais que são operador-dependentes, tem elevada variabilidade intra- e inter-observador, são morosas, tem preparação difícil, e apresentam menores valores sensibilidade e especificidade. Ademais, as metodologias propostas aqui poderão implicar em ganho econômico e social provenientes do diagnóstico precoce e do tratamento nos estágios iniciais do câncer, possibilitando ganho em qualidade de vida e sobrevida dos pacientes.