Concordância entre inteligência artificial e uropatologista expert na detecção e graduação histológica do câncer de próstata em espécimes de prostatectomia radical

• Ano de defesa: 2023
• Autor(a) principal: Melo, Petronio Augusto de Souza
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Aprendizado profundo; Artificial intelligence; Computer-assisted image processing; Deep learning; Inteligência artificial; Machine learning; Neoplasias da próstata; Neural network computer; Processamento de imagem assistida por computador; Prostatic neoplasms; Redes neurais
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/5/5153/tde-01032024-164110/

OBJETIVOS: Desenvolver um modelo de inteligência artificial (IA) para identificação e graduação histológica do câncer de próstata (CaP) e comparar sua precisão com a avaliação de um uropatologista especializado. MATERIAL E MÉTODOS: 36 lâminas histológicas provenientes de espécimes de prostatectomia radical foram escaneadas, segmentadas, analisadas e anotadas por um uropatologista experiente. As seguintes áreas foram caracterizadas: estroma, glândulas normais, Gleason 3, 4 e 5. Dois métodos foram utilizados para classificar as imagens: um método de classificação categórica que consistia em atribuir um único rótulo a cada imagem analisada e um método de segmentação de instâncias que envolvia o delineamento específico de cada área de interesse em cada imagem, em vez de atribuir um único rótulo a toda a imagem. As arquiteturas utilizadas para o treinamento dos métodos foram a VGGNet, um tipo de rede neural convolucional, e Mask R-CNN (region-based convolutional neural network),respectivamente. Após o treinamento, imagens que não foram utilizadas no treinamento foram avaliadas pelo modelo. O modelo que apresentou melhor performance também foi aplicado para avaliar lâminas de biópsia de próstata que não foram usadas no treinamento. RESULTADOS: O modelo de classificação categórico utilizou em seu treinamento 2.583 imagens, sendo 662 imagens com tecido benigno, 640, 640 e 641 imagens, com câncer de próstata padrão 3, 4 e 5 predominante, respectivamente. Esse modelo apresentou uma acurácia de treinamento de 97,57% e uma acurácia de validação de 95,74%. No entanto, ao utilizar o modelo treinado no conjunto de teste com 100 novas imagens nunca usadas no treinamento, a acurácia obtida foi de 45% na determinação de tecido benigno e maligno, e quando maligno, em definir corretamente sua graduação de Gleason. No método de segmentação por instâncias, foram utilizadas 6.160 imagens e 8.367 anotações realizadas nessas imagens (glândulas normais: 3.982, estroma: 3.049, Gleason 3: 858, Gleason 4: 2.321, Gleason 5: 1.361). O modelo apresentou uma acurácia de treinamento de 95,1% e acurácia de validação de 93,2%. Após o término do treinamento, o modelo foi exposto a imagens nunca vistas, separadas antes do treinamento e não usadas para esse fim. A concordância entre o modelo de aprendizado profundo e a anotação feita pelo patologista na detecção correta de tecido benigno e maligno, incluindo seus padrões, foi de 89%. Por fim, aplicamos o modelo de Mask R-CNN em 292 lâminas de biópsia de próstata. O coeficiente de Dice entre o modelo de IA e o especialista em uropatologia foi de 0,7962. CONCLUSÕES: Algoritmos de aprendizagem profunda tem um alto potencial para uso no diagnóstico e graduação do câncer de próstata. O método de segmentação de instâncias foi superior ao método de classificação categórico