{"id":22497,"date":"2021-01-25T12:08:22","date_gmt":"2021-01-25T12:08:22","guid":{"rendered":"https:\/\/www.artefact.com\/?post_type=news&p=22497"},"modified":"2024-09-20T17:45:39","modified_gmt":"2024-09-20T16:45:39","slug":"how-did-we-use-computer-vision-to-help-medical-experts-diagnose-follicular-lymphoma","status":"publish","type":"blog","link":"https:\/\/www.artefact.com\/br\/blog\/how-did-we-use-computer-vision-to-help-medical-experts-diagnose-follicular-lymphoma\/","title":{"rendered":"Como usamos a vis\u00e3o computacional para ajudar os especialistas m\u00e9dicos a diagnosticar o linfoma folicular?"},"content":{"rendered":"

<\/span><\/a><\/span>

Leia nosso artigo sobre<\/u><\/p>\n<\/div>

<\/span><\/div>

.<\/p>\n<\/div><\/div><\/div><\/div><\/div>

Autor<\/h2><\/div>\"Image\"

Yague THIAM<\/h3><\/div>

Cientista s\u00eanior do Data no Artefact<\/p>\n<\/div><\/div><\/div><\/div><\/div>

14 de dezembro de 2020
\nCom a introdu\u00e7\u00e3o de permiss\u00f5es de opt-in para aplicativos, o iOS 14 tornar\u00e1 mais dif\u00edcil para as marcas atingir os consumidores em um n\u00edvel individual e medir os resultados das atividades de marketing. Bobby Gray, diretor de an\u00e1lise e marketing Data da Artefact, analisa o impacto e explica como as marcas podem reagir usando o first-party data.<\/p>\n<\/div>

<\/div><\/div>
<\/div>
<\/div><\/div>
<\/div><\/p><\/div>\n<\/div><\/div><\/div><\/div><\/div>

Introdu\u00e7\u00e3o<\/h2><\/div>

Esse projeto faz parte da contribui\u00e7\u00e3o da Artefact na Tech for Good. O projeto foi realizado em colabora\u00e7\u00e3o com o Institut Carnot CALYM, um cons\u00f3rcio dedicado \u00e0 pesquisa em parceria sobre linfoma, e a Microsoft.<\/p>\n

No outono de 2019, o Institut Carnot CALYM lan\u00e7ou um programa de estrutura\u00e7\u00e3o com o objetivo de estabelecer um roteiro para otimizar a valoriza\u00e7\u00e3o e a explora\u00e7\u00e3o do data a partir da pesquisa cl\u00ednica, translacional e pr\u00e9-cl\u00ednica realizada pelos membros do cons\u00f3rcio por mais de 20 anos. Esse projeto, proposto pelo Pr Camille Laurent (LYSA, IUCT, CHU Toulouse, Fran\u00e7a) e Pr Christiane Copie (LYSARC, Pierre-B\u00e9nite, Fran\u00e7a), ambos membros do Institut Carnot CALYM, faz parte desse programa de estrutura\u00e7\u00e3o.<\/p>\n<\/div>

O objetivo principal deste projeto de pesquisa \u00e9 desenvolver um algoritmo de aprendizagem profunda para auxiliar os patologistas no diagn\u00f3stico do linfoma folicular. Um objetivo secund\u00e1rio \u00e9 identificar crit\u00e9rios informativos que possam ajudar os m\u00e9dicos especialistas a entender as diferen\u00e7as morfol\u00f3gicas entre o linfoma folicular e a hiperplasia folicular, que ser\u00e3o referidos a seguir como FL e FH.<\/p>\n<\/div>

O que \u00e9 o linfoma folicular? Quais s\u00e3o os desafios em seu diagn\u00f3stico?<\/h2><\/div>

A FL \u00e9 um subtipo de linfoma, o c\u00e2ncer de sangue mais frequente no mundo. Existem mais de 80 tipos de linfoma e essa diversidade dificulta seu diagn\u00f3stico, mesmo para os especialistas. Al\u00e9m disso, a FL \u00e9 muito semelhante \u00e0 FH, que n\u00e3o \u00e9 cancer\u00edgena, o que aumenta os desafios ao seu diagn\u00f3stico.<\/p>\n

Neste artigo, descreveremos nossa abordagem na cria\u00e7\u00e3o de um classificador para FL e FH usando apenas imagens de l\u00e2minas inteiras rotuladas. As imagens de l\u00e2minas inteiras s\u00e3o arquivos digitais de alta resolu\u00e7\u00e3o de l\u00e2minas de microsc\u00f3pio digitalizadas. Em nosso caso, elas cont\u00eam extratos de linfonodos.<\/p>\n<\/div>

Como a aprendizagem profunda poderia ajudar na sua detec\u00e7\u00e3o?<\/h2><\/div>

Usando imagens de slides inteiros de FL e FH, treinamos um classificador bin\u00e1rio por meio de uma abordagem baseada em patches. Nossa arquitetura de modelo \u00e9 um Resnet-18 simples treinado em poucas \u00e9pocas (~10).<\/p>\n

Depois de prever a classe de uma observa\u00e7\u00e3o com o classificador, extra\u00edmos a \u00faltima camada de ativa\u00e7\u00e3o para criar um mapa de calor na parte superior da imagem de entrada para destacar as partes que levaram o modelo a definir uma determinada classe.<\/p>\n<\/div>

Por que usamos uma classifica\u00e7\u00e3o baseada em patches?<\/h2><\/div>

A classifica\u00e7\u00e3o baseada em patches \u00e9 uma t\u00e9cnica de classifica\u00e7\u00e3o em que a classe de uma determinada observa\u00e7\u00e3o \u00e9 constru\u00edda com base na agrega\u00e7\u00e3o das previs\u00f5es de seus componentes (patches). Em nosso caso, ela \u00e9 usada porque as imagens s\u00e3o muito grandes para serem usadas diretamente no modelo.<\/p>\n

Na verdade, as imagens de slides inteiros s\u00e3o muito grandes (~10\u2075 pixels quadrados). Seu tamanho torna o treinamento de um modelo de aprendizagem profunda quase imposs\u00edvel com ferramentas comuns. Para resolver esse problema, n\u00f3s as dividimos em patches do mesmo tamanho seguindo dois crit\u00e9rios importantes:<\/p>\n<\/div>