A pesquisa de mestrado desenvolvida por Maíra Suzuka Kudo no mestrado em Engenharia Biomédica do Instituto de Ciências e Tecnologia (ICT), da Universidade Federal de São Paulo (Unifesp), teve como objetivo desenvolver e avaliar um método computacional de classificação e graduação da severidade de imagens patológicas de biópsias de próstata. A pesquisa, concluída em fevereiro de 2022, foi orientada pelo professor Matheus Cardoso Moraes (ICT/Unifesp), campus de São José dos Campos (SP), e coorientada pela professora Kátia Ramos Moreira Leite, da Universidade de São Paulo (USP).
De acordo com o Instituto Nacional do Câncer (INCA), mais de 65 mil novos casos de câncer de próstata foram estimados em 2020, representando o segundo tipo mais frequente de câncer entre homens no Brasil, ficando atrás somente do câncer de pele não-melanoma. Existem dois tipos de tumores na próstata: o benigno, também conhecido como hiperplasia benigna da próstata, e o maligno, chamado de adenocarcinoma. As chances de cura superam 90% quando o diagnóstico é feito precocemente.
Para o rastreamento do câncer de próstata é realizado o exame retal digital e o teste de PSA, sendo recomendados para todos os homens acima de 50 anos ou a partir dos 45 anos se o paciente estiver no grupo de risco. Ambos os métodos apresentam limitações de acurácia na previsão das chances de diagnóstico do câncer de próstata. “O exame retal digital sozinho representa cerca de 51% de sensibilidade. Além disso, deve-se prestar atenção às possíveis causas do aumento do PSA além do câncer, como a hiperplasia benigna da próstata, prostatite e infecções do trato urinário”, pontua Maíra.
Caso haja alguma anormalidade nesses exames, o paciente é encaminhado para a biópsia, sendo este o padrão ouro. As amostras de biópsia são analisadas por um(a) patologista especialista que assinala se há ou não presença de câncer. Essa análise é realizada por meio dos critérios de Gleason, estabelecidos nos anos 60 a fim de padronizar e classificar lesões utilizando características visuais. Segundo Maíra, “os critérios de Gleason classificam a agressividade do câncer de nível inferior como o Gleason 3 até o nível superior Gleason 5″, explica ela.
A discordância entre patologistas especialistas sobre a presença de câncer nas biópsias pode chegar a 20%, o que pode ser um obstáculo para o diagnóstico da doença. Nesse sentido, pesquisas vêm analisando o potencial da implementação de procedimentos computacionais e métodos de processamento de imagem para a qualificação e quantificação do câncer. Em sua dissertação, Maíra visou implementar um método computacional utilizando Redes Neurais Convolucionais (CNNs), uma classe de rede neural artificial aplicada no processamento e análise de imagens digitais. “Classificamos patches de imagens obtidas por intervenções cirúrgicas em pacientes com e sem câncer e, posteriormente, classificamos as graduações de severidade nos padrões Gleason 3, 4 e 5″, conta.
Foram obtidas 32 imagens de biópsia de câncer de próstata, as quais foram revisadas por uma uropatologista especialista. Essas imagens foram, então, transformadas em milhares de patches para alimentar as topologias propostas. Adicionalmente, mais 13 imagens retiradas do conjunto de dados aberto PANDAS foram utilizadas para complementar os dados de classificação dos padrões de Gleason 3, 4 e 5. A metodologia foi dividida em abordagens clínicas para extrair patches e abordagens computacionais para a implementação das CNNs. As imagens de biópsia utilizadas no estudo foram providas e demarcadas pela professora Kátia Ramos Moreira Leite, do Laboratório de Investigações Médicas da USP.
O método apresentou uma acurácia de 98,3% na distinção entre amostras com e sem câncer. Em uma segunda topologia de classificação dos três padrões de Gleason, foram alcançadas 85%, 93% e 96% de taxas de verdadeiro positivo para os Gleasons 3, 4 e 5, respectivamente. Os métodos mostraram-se eficientes na classificação de câncer de próstata e com alta acurácia na graduação de severidade. “As principais contribuições da pesquisa envolvem as topologias propostas avaliadas, identificação da sequência, quantidade e estrutura das camadas, assim como melhores configurações dos parâmetros do modelo para a classificação entre patches saudáveis e cancerígenos e para a graduação nos padrões de Gleason“, finaliza Maíra.