O modelo de aprendizado de máquina se baseia em métodos de imagem para detectar melhor as lesões ovarianas

Estrutura do modelo Unet aprimorada por ultrassom. Crédito: Fotoacústica (2022). DOI: 10.1016/j.pacs.2022.100420

Embora o câncer de ovário seja o tipo de câncer mais mortal para as mulheres, apenas cerca de 20% dos casos são diagnosticados em estágio inicial, pois não há testes de triagem reais para eles e poucos sintomas os induzem. Além disso, as lesões ovarianas são difíceis de diagnosticar com precisão – tão difíceis, de fato, que não há sinal de câncer em mais de 80% das mulheres que se submetem à cirurgia para remover e testar as lesões.

Quing Zhu, o professor Edwin H. Murty de Engenharia Biomédica na Universidade de Washington em St. Louis’ McKelvey School of Engineering, e membros de seu laboratório aplicaram uma variedade de métodos de imagem para diagnosticar o câncer de ovário com mais precisão. Agora, eles desenvolveram um novo modelo de fusão de aprendizado de máquina que aproveita os recursos de ultrassom existentes de lesões ovarianas para treinar o modelo a reconhecer se uma lesão é benigna ou cancerígena a partir de imagens reconstruídas tiradas com tomografia fotoacústica.

Tradicionalmente, o aprendizado de máquina tem se concentrado em dados de modalidade única. Descobertas recentes mostraram que o aprendizado de máquina multimodal é mais robusto em seu desempenho do que os métodos unimodais. Em um estudo piloto de 35 pacientes com mais de 600 regiões de interesse, a precisão do modelo foi de 90%.

É o primeiro estudo usando ultrassom para melhorar o desempenho de aprendizado de máquina da reconstrução de tomografia fotoacústica para diagnóstico de câncer. Os resultados da pesquisa são publicados na edição de dezembro de 2022 da revista Fotoacústica.

“As modalidades existentes baseiam-se principalmente no tamanho e na forma das lesões ovarianas, que não fornecem um diagnóstico preciso para diagnóstico precoce. cancro do ovário e para avaliação de risco de grandes lesões anexiais/ovarianas”, disse Zhu, também professor de radiologia na Escola de Medicina. “A imagem fotoacústica adiciona mais informações funcionais sobre o contraste vascular da concentração de hemoglobina e saturação de oxigênio no sangue.”

Yun Zou, estudante de doutorado no laboratório de Zhu, desenvolveu um novo modelo de fusão de aprendizado de máquina combinando uma rede neural de ultrassom com uma tomografia fotoacústica rede neural para realizar o diagnóstico de lesão ovariana.

As lesões cancerígenas dos ovários podem se apresentar em várias morfologias diferentes do ultrassom: algumas são sólidas e outras apresentam projeções papilares dentro das lesões císticas, tornando-as mais difíceis de diagnosticar. Para melhorar o diagnóstico geral de ultra-som, eles adicionaram o total concentração de hemoglobina e saturação de oxigenação sanguínea a partir de imagens fotoacústicas, ambas biomarcadoras de tecido ovariano canceroso.

“Nossos resultados mostraram que o modelo de fusão de imagem fotoacústica aprimorada por ultrassom reconstruiu os mapas de hemoglobina total e saturação de oxigênio no sangue do alvo com mais precisão do que outros métodos e forneceu um diagnóstico aprimorado de câncer de ovário a partir de lesões benignas”, disse Zou.