Redes neurais profundas e aprendizagem de máquina aplicados na diferenciação de tumores pulmonares primários de metástases em exames de tomografia computadorizada

• Ano de defesa: 2024
• Autor(a) principal: Lima, Lucas Lins de
• 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: artificial intelligence; convolutional neural networks; inteligência artificial; metástase neoplásica; neoplasias primárias; neoplastic metastasis; primary neoplasms; radiômica; radiomics; redes neurais convolucionais
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/82/82131/tde-18062025-091358/

O câncer de pulmão é o tipo de câncer com maior mortalidade no mundo. A determinação da etiologia deste câncer, quanto a sua natureza primária ou metastática, é um dos fatores que pode influenciar o prognóstico e o manejo clínico do paciente. As Redes Neurais Profundas têm se mostrado como uma abordagem eficiente para classificar imagens em diversas áreas, com destaque na radiologia para as Redes Neurais Convolucionais (do inglês Convolucional Neural Network CNN)). Porém, como toda abordagem de aprendizado profundo, as CNNs demandam grande volume de dados anotados. Uma alternativa para suprir essa necessidade é aumentar bases de dados utilizando transformações geométricas como rotações e espelhamento. Nesse contexto, o objetivo desta pesquisa foi investigar a hipótese de que redes profundas do tipo CNN, como a VGG19, ResNet152V2 e a InceptionV3, treinadas em bases de imagens, fossem capazes de identificar a partir de tumores segmentados em imagens de exames de tomografia computadorizada, se o câncer de pulmão tem origem primária pulmonar ou se foi desenvolvido a partir de um processo metastático de um sítio primário localizado em outro órgão. Também combinamos essas redes com a Máquina de Vetores de Suporte a fim de explorar mais técnicas de aprendizado de máquina. Realizamos nossos experimentos separando os dados em grupos de treinamento e de teste independente. No grupo de treinamento, foi aplicada uma validação cruzada 10-fold. Os melhores resultados foram obtidos no uso da ResNet152V2 com aumento de base, entregando uma Área sob a Curva ROC (AUC-ROC) com média de 0,74 (desvio padrão de 0,7), F-score com média de 76% (desvio padrão de 7,0%), Acurácia com média de 74% (desvio padrão de 7,0%), Sensibilidade com média de 80% (desvio padrão de 12,0%) e Especificidade com média de 69% (desvio padrão de 16,0%) na base de teste da validação cruzada. Já na avaliação da base de teste independente, os valores obtidos foram de 0,78 para AUC, 66% para F-score, 79% para a Acurácia, 75% para a Sensibilidade e 80% para a Especificidade.