Busca avançada
Ano de início
Entree

Inteligência artificial aplicada ao diagnóstico clínico e histopatológico do Câncer de Cabeça e Pescoço

Processo: 21/14585-7
Modalidade de apoio:Bolsas no Brasil - Pós-Doutorado
Vigência (Início): 01 de outubro de 2022
Vigência (Término): 30 de setembro de 2025
Área do conhecimento:Ciências da Saúde - Odontologia
Pesquisador responsável:Luiz Paulo Kowalski
Beneficiário:Anna Luiza Damaceno Araujo
Instituição Sede: Faculdade de Medicina (FM). Universidade de São Paulo (USP). São Paulo , SP, Brasil
Assunto(s):Patologia   Neoplasias de cabeça e pescoço   Inteligência artificial   Redes neurais convolucionais   Diagnóstico clínico   Histopatologia
Palavra(s)-Chave do Pesquisador:artificial intelligence | Convolutional Neural Network | head and neck cancer | Patologia

Resumo

A digitalização de lâminas histológicas favoreceu a migração da prática diagnóstica para um ambiente completamente digital. Neste contexto, o diagnóstico auxiliado por computador - Computer Aided Diagnosis (CAD) - com foco em análise quantitativa abriu caminhos para o diagnóstico por meio de inteligência artificial (IA) impulsionado pelo crescente desenvolvimento tecnológico que favoreceu o uso de estratégias baseadas em redes neurais que utilizam imagens nesse processo. Este estudo pretende desenvolver e avaliar modelos de Deep Learning (DL) para o suporte ao diagnóstico de lesões de C&P por meio da análise de imagens de lâminas histológicas digitalizadas e fotografias clínicas. A pesquisa será desenvolvida na Faculdade de Medicina da Universidade de São Paulo - FMUSP (São Paulo, São Paulo, Brasil) e a amostra será obtida de diferentes centros com a colaboração e apoio de instituições brasileiras e do exterior. O desenvolvimento e aplicação dos algoritmos, bem como a análise da amostra serão desenvolvidos com o apoio de profissionais da área de Engenharia Biomédica do Instituto de Ciência e Tecnologia da Universidade Federal de São Paulo, Unidade São José dos Campos (ICT-UNIFESP) e do Instituto De Ciências Matemáticas e de Computação da Universidade de São Paulo, Unidade São Carlos (ICMC-USP). A amostra será selecionada, retrospectivamente, através do levantamento de lesões compatíveis com o diagnóstico histológico dentro das seguintes categorias: (1) desordens orais potencialmente malignizáveis, (2) carcinoma espinocelular, (3) tumores de glândula salivar e (4) linfomas. As redes neurais de aprendizado profundo utilizados nesse contexto serão AlexNet, ResNet, DenseNet, Inception, Xception and MobileNet. Eventualmente, a arquitetura que apresentar melhor desempenho será escolhida. O desempenho de cada abordagem utilizada será calculado por meio dos parâmetros de acurácia, sensibilidade, especificidade, coeficiente F1-score, gráficos de curva ROC e a matrizes de confusão. A significância prognóstica será investigada usando as curvas de Kaplan-Meier e análises de risco de Cox, realizando análises univariadas e multivariadas de parâmetros digitais, clínicos e patológicos. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)

Publicações científicas (6)
(Referências obtidas automaticamente do Web of Science e do SciELO, por meio da informação sobre o financiamento pela FAPESP e o número do processo correspondente, incluída na publicação pelos autores)
DE SOUZA, LUCAS LACERDA; FONSECA, FELIPE PAIVA; ARAUJO, ANNA LUIZA DAMACENO; LOPES, MARCIO AJUDARTE; VARGAS, PABLO AGUSTIN; KHURRAM, SYED ALI; KOWALSKI, LUIZ PAULO; DOS SANTOS, HARIM TAVARES; WARNAKULASURIYA, SAMAN; DOLEZAL, JAMES; et al. Machine learning for detection and classification of oral potentially malignant disorders: A conceptual review. JOURNAL OF ORAL PATHOLOGY & MEDICINE, v. 52, n. 3, p. 9-pg., . (21/14585-7, 22/03123-5)
ARAUJO, ANNA LUIZA DAMACENO; SANTOS-SILVA, ALAN ROGER; KOWALSKI, LUIZ PAULO. Diagnostic Accuracy of Liquid Biopsy for Oral Potentially Malignant Disorders and Head and Neck Cancer: an Overview of Systematic Reviews. CURRENT ONCOLOGY REPORTS, v. 25, n. 4, p. 14-pg., . (21/14585-7)
ARAUJO, ANNA LUIZA DAMACENO; DE SOUZA, EDUARDO SANTOS CARLOS; FAUSTINO, ISABEL SCHAUSLTZ PEREIRA; SALDIVIA-SIRACUSA, CRISTINA; BRITO-SARRACINO, TAMIRES; ADUDURATE LOPES, MARCIO; VARGAS, PABLO AGUSTIN; PEARSON, ALEXANDER T.; KOWALSKI, LUIZ PAULO; DE CARVALHO, ANDRE CARLOS PONCE DE LEON FERREIRA; et al. Clinicians' perception of oral potentially malignant disorders: a pitfall for image annotation in supervised learning. ORAL SURGERY ORAL MEDICINE ORAL PATHOLOGY ORAL RADIOLOGY, v. 136, n. 3, p. 7-pg., . (22/07276-0, 21/14585-7, 09/53839-2)
DAMACENO ARAUJO, ANNA LUIZA; DA SILVA, VIVIANE MARIANO; KUDO, MAIRA SUZUKA; CARLOS DE SOUZA, EDUARDO SANTOS; SALDIVIA-SIRACUSA, CRISTINA; GIRALDO-ROLDAN, DANIELA; LOPES, MARCIO AJUDARTE; VARGAS, PABLO AGUSTIN; KHURRAM, SYED ALI; PEARSON, ALEXANDER T.; et al. Machine learning concepts applied to oral pathology and oral medicine: A convolutional neural networks' approach. JOURNAL OF ORAL PATHOLOGY & MEDICINE, v. 52, n. 2, p. 10-pg., . (09/53839-2, 21/14585-7)
ARAUJO, ANNA LUIZA DAMACENO; MORAES, MATHEUS CARDOSO; PEREZ-DI-OLIVEIRA, MARIA EDUARDA; DA SILVA, VIVIANE MARIANO; SALDIVIA-SIRACUSA, CRISTINA; PEDROSO, CAIQUE MARIANO; LOPES, MARCIO AJUDARTE; VARGAS, PABLO AGUSTIN; KOCHANNY, SARA; PEARSON, ALEXANDER; et al. Machine learning for the prediction of toxicities from head and neck cancer treatment: A systematic review with meta-analysis. Oral Oncology, v. 140, p. 15-pg., . (22/07276-0, 21/14585-7, 09/53839-2)
ARAUJO, ANNA LUIZA DAMACENO; DA SILVA, VIVIANE MARIANO; MORAES, MATHEUS CARDOSO; DE AMORIM, HENRIQUE ALVES; FONSECA, FELIPE PAIVA; ST'ANA, MARIA SISSA PEREIRA; MESQUITA, RICARDO ALVES; MARIZ, BRUNO AUGUSTO LINHARES ALMEIDA; PONTES, HELDER ANTONIO REBELO; DE SOUZA, LUCAS LACERDA; et al. The use of deep learning state-of-the-art architectures for oral epithelial dysplasia grading: A comparative appraisal. JOURNAL OF ORAL PATHOLOGY & MEDICINE, v. N/A, p. 8-pg., . (21/14585-7, 09/53839-2)

Por favor, reporte erros na lista de publicações científicas utilizando este formulário.