Rede neural convolucional na infecção por Helicobacter pylori

Título: Rede neural convolucional na infecção por Helicobacter pylori

Aluno: Wanderson Gonçalves e Gonçalves

Local: Videoconferência - Link

Data: 18/02/2022

Horário: 08h30

Resumo:

As imagens histológicas fornecem informações importantes sobre os perfis de integridade e inflamação das estruturas celulares e teciduais. Dentro deste contexto, as ferramentas de inteligência artificial podem auxiliar no processo de diagnóstico, interpretando automaticamente essas informações. Redes Neurais Convolucionais Profundas (CNNs) têm mostrado resultados promissores na análise de imagens em diversas aplicações de estudo, inclusive na área da saúde, tornando-se uma ferramenta de impacto. Por outro lado, faltam coleções de imagens de treinamento necessárias para gerar modelos de classificação e detecção, principalmente devido a fatores computacionais e humanos que dificultam a obtenção de dados bem anotados. O presente estudo teve como objetivo construir uma coleção pública de imagens histopatológicas e um modelo de rede neural convolucional para o diagnóstico de perfis inflamatórios ocasionados pela infecção de Helicobacter pylori. Imagens de exames histopatológicos de biópsia gástrica foram utilizadas para investigar o desempenho do modelo de rede neural convolucional na detecção da infecção. Construímos um banco de dados que compreende 394.926 imagens histopatológicas, das quais 111K foram rotuladas como positivas para H. pylori e 283K permaneceram como negativas. Investigamos o desempenho de classificação de três arquiteturas CNN, que foram treinadas com cerca de 394.926 patches de imagens. Os modelos foram testados e validados com dois conjuntos distintos de 15% (59K patches) escolhidos aleatoriamente. O modelo de arquitetura VGG16 apresentou validação satisfatória AUC 99,8%. Os resultados mostraram que as redes neurais convolucionais podem ser utilizadas no auxílio da classificação de perfis inflamatórios ocasionados por H. pylori em imagens histopatológicas de tecidos gástricos com destacada precisão, o que evidencia seu potencial e aplicação no campo da patologia computacional..

Banca Examinadora: