Uma Nova Maneira de Classificar Imagens de Tumores

A segmentação de tumores em imagens médicas é super importante pra ajudar os médicos a fazer diagnósticos precisos. Uma forma de analisar essas imagens é através das Imagens de Lâmina Inteira (WSI), que são imagens de alta resolução de amostras de tecido. Esse artigo fala sobre uma nova abordagem que usa informações de rótulos parciais pra classificar essas imagens em diferentes subtipos de tumor e áreas sem tumor.

#Entendendo Imagens de Lâmina Inteira

Imagens de lâmina inteira capturam toda a amostra de tecido e podem incluir muitos tipos diferentes de células. Cada célula na imagem pode pertencer a uma categoria específica, como um Subtipo de Tumor ou uma célula saudável. Os médicos geralmente têm que olhar essas imagens com atenção pra identificar o câncer com precisão. No entanto, a resolução das WSIs pode tornar esse processo complexo e demorado.

Em um ambiente clínico, os médicos costumam coletar dados sobre as proporções de diferentes tipos de tumores presentes na amostra de tecido. Esses dados são registrados mesmo que não incluam informações sobre células não tumorais. Isso significa que, enquanto os médicos podem saber quanto da amostra consiste em diferentes tipos de tumor, eles não têm informações sobre a parte não tumoral.

#O Desafio da Informação Incompleta

Na nossa abordagem, chamamos a situação de ter apenas informações parciais sobre os rótulos de "aprendizado a partir de proporções de rótulos parciais" ou LPLP. Mesmo que os médicos possam fornecer as proporções dos subtipos de tumor, eles geralmente não registram quanto da amostra é tecido saudável. Essa informação faltante pode dificultar a Classificação da imagem inteira com precisão.

O problema surge na hora de treinar um classificador que entenda essas imagens. Por exemplo, se um médico diz que 70% do tumor é subtipo A e 30% é subtipo B, ainda não sabemos quanto da amostra total é tecido saudável.

#Utilizando Amostras Saudáveis

Felizmente, amostras saudáveis, que não contêm tumores, podem ser muito úteis. Essas amostras podem servir como um guia pra ajudar no processo de classificação. Usando imagens que são completamente saudáveis, conseguimos identificar melhor como é uma área não tumoral. Essa informação é vital porque nos permite criar um modelo mais eficaz pra classificar os fragmentos celulares nas WSIs.

#Estrutura do Método Proposto

O método que propomos divide o problema em duas tarefas menores. A primeira tarefa se chama aprendizado de múltiplas instâncias (MIL), que foca em determinar se um fragmento de amostra é tumor ou não-tumor. A segunda tarefa se chama aprendizado a partir de proporções de rótulos (LLP), que usa as proporções disponíveis de subtipos de tumor pra refinar ainda mais a classificação.

#Aprendizado de Múltiplas Instâncias (MIL)

Na tarefa MIL, a gente descobre se cada fragmento individual dentro da WSI é positivo (contendo células tumorais) ou negativo (contendo células não tumorais). Usando uma rede neural, conseguimos fazer previsões baseadas nas características dos fragmentos. Isso significa que pra cada fragmento, podemos afirmar com confiança se ele pertence a um dos subtipos de tumor ou se é um fragmento saudável.

#Aprendizado a partir de Proporções de Rótulos (LLP)

Depois de classificar os fragmentos, passamos pra tarefa LLP. Essa etapa envolve pegar as informações coletadas da tarefa MIL e usar pra classificar os fragmentos de forma mais precisa. Usamos a proporção de subtipos de tumor pra ajudar a entender como os fragmentos saudáveis e tumorais se relacionam.

#Juntando Tudo

A beleza da nossa abordagem está na sua capacidade de aprendizado conjunto. Em vez de tratar MIL e LLP como tarefas separadas, otimizamos ambas simultaneamente. Isso significa que a saída da primeira tarefa ajuda a melhorar a precisão da segunda tarefa. Essa integração permite um processo de classificação mais coeso e confiável.

#Trabalhos Relacionados

No passado, vários métodos tentaram realizar tarefas semelhantes, mas a maioria focou em classificação binária (tumor vs. não-tumor) ou exigiu informações de rótulo completas pra todas as classes. Nosso método é único porque permite o uso de rótulos parciais, que muitas vezes estão disponíveis em cenários do mundo real.

#Implementação e Resultados Experimentais

Pra avaliar a eficácia da nossa abordagem, testamos em dois conjuntos de dados. O primeiro conjunto, CRC100K, contém imagens com nove classes de anotações de tecido relacionadas ao câncer colorretal. Em nossos experimentos, focamos em apenas duas classes de tumor e agrupamos as classes restantes como não-tumor.

O segundo conjunto envolveu amostras de quimioterapia que continham classificações de tecido saudável, cama tumoral e tumor residual. Na prática clínica, a viabilidade dos tumores é determinada com base nas proporções das classes positivas, enquanto as proporções das regiões não tumorais permanecem desconhecidas.

#Avaliando a Precisão

Nossos resultados foram promissores. Medimos a precisão do nosso método em comparação com técnicas de aprendizado supervisionado tradicionais e outros métodos existentes. Apesar dos desafios impostos pelos rótulos parciais, nosso método teve desempenho comparável a modelos que usaram dados mais completos.

#Resultados Comparativos

Nos dois conjuntos de dados, nossa abordagem superou os métodos de referência que não otimizavam as duas tarefas juntas. Por exemplo, descobrimos que métodos que extrapolaram abordagens tradicionais não conseguiram classificar com precisão as instâncias negativas. Ao otimizar MIL e LLP juntos, nosso método demonstrou um desempenho melhorado.

#Resultados de Segmentação

Analisamos os resultados de segmentação qualitativamente também. Ao visualizar a saída do nosso método em comparação com métodos tradicionais, nossa segmentação foi mais clara e precisa. Isso prova que nossa abordagem pode identificar efetivamente subtipos de tumor, mesmo com dados limitados.

#Conclusão

Resumindo, esse novo método pra classificar WSIs demonstra que é possível trabalhar com informações de rótulos parciais de forma eficaz. Ao dividir o problema em tarefas gerenciáveis e otimizá-las em conjunto, conseguimos alcançar resultados que são competitivos com aqueles que usam rotulagens mais completas. Isso pode levar a um melhor suporte para patologistas na tomada de decisões cruciais sobre diagnóstico e tratamento do câncer.

As descobertas sugerem que usar proporções de rótulos parciais pode ajudar a construir modelos de classificação eficazes sem necessidade de rotulagem extensa, beneficiando, no fim das contas, cenários de saúde onde os recursos podem ser limitados.