UTILIZAÇAO DA INTELIGENCIA ARTIFICIAL NO DIAGNOSTICO E GRADUAÇAO HISTOLOGICA DO CANCER DE PROSTATA
Introdução: A biópsia de próstata é o único método diagnóstico de câncer e a graduação histológica através do escore de Gleason ou ISUP é o principal fator prognóstico. A decisão terapêutica depende fundamentalmente dessa graduação, sendo a conduta variável desde a observação vigilante até terapias paliativas. A acurácia da graduação histológica depende da experiência do observador, havendo considerável diferença até entre especialistas. A automação dessa avaliação através da inteligência artificial pode reduzir a subjetividade e melhorar a acurácia tanto do diagnóstico quanto da graduação do câncer de próstata (CP). A aprendizagem profunda (deep learning) é um subgrupo da inteligência artificial que utiliza uma estrutura baseada no cérebro humano para armazenamento das informações.
Objetivos: Avaliar a acurácia do método de aprendizagem profunda no diagnóstico e graduação do CP.
Material e Métodos: Um sistema de aprendizagem profunda foi treinado utilizando lâminas de hematoxilina & eosina digitalizadas de peças provenientes de prostatectomia radical. As lâminas foram avaliadas e marcadas pelo patologista sendo identificadas áreas de tecido benigno e de câncer. Neste último, áreas representativas dos padrões 3, 4 e 5 de Gleason foram identificadas. O tipo de aprendizagem profunda escolhido para o treinamento foi a rede neural convolucional. Após treinamento da rede, o modelo resultante foi aplicado em novas imagens não utilizadas no treinamento, definindo a presença de câncer de próstata e o grau de Gleason em cada amostra.
Resultados: 57 lâminas de prostatectomia radical foram utilizadas e geraram as imagens para treinamento da rede neural, sendo utilizadas 1240 imagens contendo padrão 3 de Gleason, 1240 padrão 4, 1240 padrão 5 e 1240 padrão normal. Foi utilizado o aumento de 20x no treinamento das imagens. Após o treinamento da rede, foi obtido uma acurácia de 94,5% no diagnóstico e graduação corretos aplicando o modelo treinado em outras imagens de prostatectomia não utilizadas no treinamento.
Conclusão: Nosso estudo demonstra que a automação do diagnóstico histopatológico do CP é viável, reprodutível e com acurácia de 94,5% no diagnóstico e graduação da neoplasia quando comparado a análise do uropatologista.
Câncer de próstata, deep learning, inteligência artificial
Uro-oncologia
Faculdade de Medicina da Universidade de São Paulo - São Paulo - Brasil
Petronio Augusto de Souza Melo, Carmen Liane Neubarth Estivallet , Katia Ramos Moreira Leite