O núcleo das células contém informações cruciais que ajudam no diagnóstico de doenças, na previsão da sua progressão e no planeamento de tratamentos adequados e eficazes, especialmente em contextos como o cancro. A análise destes núcleos já é feita, quer visualmente, por patologistas, quer de forma automatizada, recorrendo a algoritmos de processamento de imagem. Agora, uma investigação detalhada sobre os métodos de uso de contexto e atenção em tarefas de segmentação e classificação de núcleos celulares vem introduzir uma abordagem mais profunda.
“A Survey on Cell Nuclei Instance Segmentation and Classification: Leveraging Context and Attention“, é o nome do artigo já publicado na revista Medical Image Analysis, que integra o TOP 10 das publicações em computer vision e pattern recognition e explora a importância de analisar o contexto do núcleo das células de modo a alcançar uma segmentação mais precisa.
Com a inteligência artificial a marcar a atualidade – a propósito dos prémios Nobel da Física e da Química -, esta investigação, feita por João Nunes, investigador do Instituto de Engenharia de Sistemas e Computadores, Tecnologia e Ciência – INESC TEC – e com colaboração de Diana Montezuma Felizardo, médica anatomopatologista e investigadora do IMP Diagnostics, vem dar mais um passo na área da aprendizagem automática em áreas de aplicação como a medicina.
“Os núcleos são as estruturas celulares que contêm o material genético (DNA) e que são responsáveis por controlar as atividades da célula”, adianta Diana Montezuma, sublinhando que “a análise dos núcleos é crucial, pois as alterações da sua forma, tamanho e estrutura podem indicar a presença de doenças, nomeadamente cancro“.
João Nunes explica que este trabalho “aborda os diferentes mecanismos de atenção e contexto para a deteção de núcleos celulares como forma de colmatar as principais dificuldades da tarefa incluindo células sobrepostas ou que se intercetam, informação irrelevante no fundo da imagem, células dispostas de forma desorganizada e artefactos como regiões desfocadas, bolhas de ar, etc. Entre as vantagens dos mecanismos de atenção e contexto encontra-se a capacidade de suprimir informação ruidosa ou irrelevante, bem como o potencial para os modelos prestarem mais atenção à fronteira entre núcleos possibilitando assim uma melhor separação das instâncias”.
Os autores destacam que a segmentação manual dessas imagens é uma tarefa trabalhosa e demorada e abordam o uso de algoritmos automáticos de segmentação e classificação de núcleos para reduzir a carga de trabalho dos patologistas e melhorar a extração de características interpretáveis clinicamente. No entrementes, os algoritmos atuais enfrentam dificuldades em lidar com variabilidades nas características morfológicas e cromáticas dos núcleos.
Para fazer face a esses desafios, os investigadores debruçam-se sobre o aperfeiçoamento de algoritmos, adicionando mecanismos de “atenção” e “contexto”. Garantindo que o algoritmo “presta atenção” àquilo que está ao redor e às características importantes das células, a precisão da segmentação e classificação melhora. Isso ajuda os médicos a tomarem decisões mais rápidas e confiáveis, otimizando o tempo e os recursos no tratamento de doenças graves como o cancro.
“A melhoria das técnicas, baseadas em machine learning, de deteção e classificação dos núcleos poderá ter, assim, várias implicações clínicas”, garante a investigadora.“
“Um exemplo prático é que o aspeto e forma dos núcleos das células tumorais é utilizado para determinar o grau de alguns tipos de cancro, nomeadamente o cancro da mama. Uma melhor segmentação e classificação dos núcleos permitirá caracterizar melhor as células tumorais (e outras células do microambiente tumoral), contribuindo assim para uma maior acuidade diagnóstica e prognóstica dos doentes”, continua.
Na investigação, coube ao INESC TEC a revisão e crítica dos algoritmos existentes, bem como pelo desenho e desenvolvimento das experiências, enquanto a equipa do IMP Diagnostics foi responsável pela perspetiva clínica do estudo, nomeadamente pelo enquadramento da importância da deteção e segmentação de núcleos celulares para o diagnóstico e prognóstico tumoral, assim como noutras patologias.
