Detecção e classificação da alta expressão da proteína e-caderina no carcinoma da mama através de uma rede neural artificial

• Ano de defesa: 2020
• Autor(a) principal: Teixeira, Fabiano Godois
• Orientador(a): Costa, Cristiano André da
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Universidade do Vale do Rio dos Sinos
• Programa de Pós-Graduação: Programa de Pós-Graduação em Computação Aplicada
• Departamento: Escola Politécnica
• País: Brasil
• Palavras-chave em Português: Mamas-Câncer; Inteligência artificial; Inovações disruptivas; Redes neurais (computação)
• Palavras-chave em Inglês: Breast-Cancer; Artificial inteligence; Disruptive innovation; Neural networks (computation)
• Área do conhecimento CNPq: ACCNPQ::Ciências Exatas e da Terra::Ciência da Computação
• Link de acesso: http://www.repositorio.jesuita.org.br/handle/UNISINOS/9679

A área de computação aplicada vem contribuindo de forma crescente e assertiva em muitas áreas da saúde. Especificamente, na oncologia, as redes neurais artificiais, um segmento de inteligência artificial, na última década, agregaram objetivamente a previsão e o prognóstico de neoplasias malignas / câncer. No entanto, nessa área, ainda há demandas a serem resolvidas e as tecnologias disruptivas são um ótimo aliado para alcançar os resultados esperados. No campo da neoplasia maligna da mama, o exame de imuno-histoquímica é o mais praticado por seu perfil acertivo no que diz respeito ao estadiamento do paciente. O estadiamento significa avaliar e classificar o grau de dissiminação tumoral, visando um tratamento individualizado a cada paciente. Buscando eliminar os níveis de subjetividade envolvidos no diagnóstico do exame de imuno-histoquímica e com a finalidade de reproduzir a rotina diária dos patologistas, o trabalho propõe o uso de duas redes neurais artificiais: uma support vector machine e uma mask R-CNN. Dois algoritmos de textura: local binary pattern e haralick foram utilizados para extração do vetor de recurso utilizado como entrada na rede neural artificial SVM e seus resultados obtidos comparados. O trabalho mostra que comparando somente os algoritmos de textura, o haralick apresentou uma melhor acurácia que foi de 81% contra 80% de LBP. O uso do modelo mask R-CNN através da técnica de TL apresentou desempenho muito abaixo do esperado para o conjunto de dados de IHQ com mAP para treino de 0.050 e para teste de 0.049.