Pesquisadores desenvolvem método computacional para auxílio no diagnóstico de doenças renais

Buscando facilitar o diagnóstico de doenças renais através de sistemas computacionais, um estudo realizado com participação de pesquisadores da Fiocruz Bahia, Universidade Federal da Bahia e Universidade Estadual de Feira de Santana, explorou um novo método de diagnóstico digital. Chamado de DS-FNet, o sistema combina a arquitetura de uma Rede Neural Convolucional (desenvolvida para interpretação de imagens escaneadas) com mecanismos de atenção em contornos nas imagens, a fim de determinar de maneira mais eficaz o contorno das estruturas do rim. O estudo foi publicado na revista Computerized Medical Imaging and Graphics.

A estrutura escolhida para a leitura do programa foi o glomérulo – parte dos rins responsável pela filtragem do sangue e geração da urina. Por conta de seu papel e importância na saúde dos pacientes, o glomérulo é uma das primeiras estruturas a serem acessadas pelos médicos para o diagnóstico. O programa mostrou-se capaz de segmentar o glomérulo mesmo em diferentes técnicas de coloração.

Sistemas desenvolvidos anteriormente baseavam o aprendizado da máquina utilizando apenas uma determinada técnica de coloração da amostra, o que limitava os resultados e possibilidades de uso dos programas. Entendendo que as diversas técnicas de coloração são necessárias para destacar diferentes tecidos do glomérulo, os pesquisadores perceberam que uma mesma imagem da célula mantinha aproximadamente os mesmos limites e fronteiras, mesmo que em pigmentações distintas. A partir disso, buscou-se construir um novo algoritmo de aprendizado para o sistema, que mesmo sendo treinado com apenas uma coloração, conseguiu generalizar para outras colorações usadas no diagnóstico de doenças renais. 

Os experimentos foram conduzidos entre diferentes bancos de imagens escaneadas de glomérulos humanos, que juntos continham 660 imagens de lâminas de biópsia, contendo 5.309 glomérulos. Os resultados mostraram que o programa DS-FNet atingiu o índice Dice (nível de similaridade entre amostras analisadas e os gabaritos) de 95,05% no banco HuBMAP, e um índice de acerto ainda maior com os bancos NEPTUNE e WSI_Fiocruz (95,15%), independente da técnica de coloração usada nas imagens. Em comparação com outros sistemas que usam o modelo deep learning, o DS-FNet pôde reduzir a quantidade de falsos positivos e falsos negativos, encontrando glomérulos mesmo em partes completamente ignoradas pelos outros programas. 

O trabalho resultou também no desenvolvimento do banco de dados WSI_Fiocruz, que possui 146 imagens de glomérulos anotadas em lâminas de biópsias escaneadas. Os cientistas planejam expandir este banco de dados para armazenar 1000 imagens de lâminas de biópsia, tornando-o também disponível para outros pesquisadores da área.  

Apesar de ser parte da rotina de um patologista, o trabalho de identificação de estruturas requer tempo e o uso de diferentes colorações especiais. Se espera que o desenvolvimento da área de patologia computacional, com o apoio de sistemas de leitura e segmentação, encurte o período necessário entre diagnóstico e o prognóstico.