BGNDL: arquitetura de deep learning para diferenciação da proteína biglycan em tecido mamário com e sem câncer

• Autor(a) principal: Silva Neto, Pedro Clarindo da
• Data de Publicação: 2022
• Tipo de documento: Dissertação
• Idioma: por
• Título da fonte: Repositório Institucional da UNISINOS (RBDU Repositório Digital da Biblioteca da Unisinos)
• Texto Completo: http://www.repositorio.jesuita.org.br/handle/UNISINOS/11265
• topic: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação; Câncer de mama; Biomarcador; Deep learning; Biglycan; Breast cancer; Biomarker

A Inteligência Artificial e o Aprendizado de Máquina tornaram-se aliados importantes na área da saúde. Nesse contexto, Deep Learning tem oferecido suporte a tarefas médicas críticas, incluindo diagnóstico, previsão de resultados e resposta ao tratamento. As imagens histológicas, foco deste trabalho, são provenientes dos tecidos do corpo humano. O diagnóstico de muitas doenças, principalmente as malignas, depende da avaliação de cortes histológicos. Dentro do cenário das avaliações diagnósticas por imagem, existem variações. Na literatura, demonstrou se que apesar da consistência dos resultados em um mesmo avaliador, existe uma diferença entre diferentes avaliadores. Segundo a literatura, as diferenças na percepção visual e no trei namento clínico podem levar a inconsistências nas opiniões diagnósticas e prognósticas uma vez que a análise patológica é naturalmente subjetiva. A coloração de rotina dos tecidos para estudo microscópico nem sempre é suficiente. Nestes casos são utilizados como complementos os marcadores biológicos, os biomarcadores. Nesse sentido, o crescente interesse pela pesquisa de biomarcadores tem sido percebido devido ao aumento dos custos de pesquisa e do tempo necessário para desenvolver um novo composto. Para que esses biomarcadores sejam utilizados em pesquisas, é necessário que o mesmo passe por um processo de validação, onde ele precisa ser medido em um sistema de teste, onde uma das propriedades, a sensibilidade do biomar cador, será avaliada neste trabalho. Com a exposição deste cenário, este trabalho descreveu, através do Deep Learning, a criação da arquitetura CNN que irá verificar, a partir de imagens histológicas com o biomarcador Biglycan, se há diferença entre a expressão do Biglycan entre tecidos com e sem câncer de mama. A associação de Deep Learning e da expressão da proteína Biglycan, através da intensidade da coloração do DAB, utilizando a deconvolução das cores é nova e necessária para validação do biomarcador. Nesse sentido, as principais contribuições deste trabalho são: Criação de um conjunto de dados original de imagens histológicas com e sem câncer de mama que foram submetidas à técnica de imunohistoquímica para determinar a expressão da proteína Biglycan, Automação do modelo de deconvolução de cores para analisar apenas imagens com expressão DAB e Desenvolvimento de uma arquitetura CNN que possa determinar se há diferença entre a expressão de Biglycan entre tecidos com e sem câncer de mama. As imagens da histologia da mama foram classificadas por uma média percentual su perior a 93%, indicando que há diferença entre a expressão do biomarcador Biglycan entre os tecidos com e sem câncer de mama.