O uso de Redes Adversativas Neurais como abordagem promissora na Citopatologia cervical automatizada.

Abstract

A automação da leitura citopatológica tem sido objeto de pesquisa intensiva para melhorar a precisão do diagnóstico e a eficiência do mesmo, devido as taxas de erro apresentadas pelo rastreio manual. O processo de automação de um microscópio automatizado necessita de um módulo analisador, que classifica as células de acordo com suas características. Para que um modelo de deep learning seja construído com bom desempenho é necessário que a coleta de dados seja suficiente. Todavia, na rotina da citologia clínica cervical, a quantidade de células anormais coletadas é insuficiente em comparação com as células normais. Especificamente, as células características de lesões intraepiteliais de baixo grau (LSIL), que indica a presença de células anormais de baixo grau no colo do útero, podendo ser causadas por uma infecção por HPV e que desaparecem sem tratamento em cerca de 90% das mulheres, torna ainda mais difícil a coleta deste tipo de subclasse. A estratégia de aumento de dados por manipulação de imagens e uso de Redes Adversativas Neurais (GANs) pode ser promissora neste sentido. Com intuito de avaliar a performance da GAN em comparação com imagens reais de células cervicais características de LSIL, foi realizado um estudo analítico quantitativo referente aos acertos em relação a semelhança das imagens sintetizadas e as reais; e qualitativo, referente a qualidade das imagens geradas e relevância das mesmas para a contribuição no diagnóstico das lesões intraepiteliais cervicais. Foram utilizadas 102 imagens de LSIL e aumentadas para 408 pela técnica de Data Augumentation, alimentando a rede de geradora. Elas foram apresentadas a dois analistas por meio de formulário online, contendo 60 imagens reais e sintetizadas distribuídas de forma aleatória. As imagens geradas sinteticamente pela GAN mostraram-se insatisfatórias para o diagnóstico clínico de lesões intraepiteliais de baixo grau, pela má qualidade das mesmas, presença de ruídos e ausência de formação celular nas imagens. Referente à qualidade, possibilidade de encontrar objetos de interesse e hipótese diagnóstica das imagens geradas sinteticamente, 100% das respostas foram unânimes entre os analistas. Nas imagens reais, houveram divergências avaliativas, por ser dependente da subjetividade da análise do especialista. As imagens sintéticas se resumiram a imagens sem células estruturadas, com bastante ruídos e pontos grosseiros devido ao baixo valor dos dados de entrada. Todavia, a concordância de cor das estruturas que compõem uma lâmina de citologia cervical e as tentativas de formato celular, tornam o estudo ainda promissor para testes futuros, porém com maiores quantidades de imagens à alimentar os dados de entrada.