Identificaçãao de lesões da laringe à partir de imageamento por endoscopia de banda estreita utilizando redes neurais artificiais e programação visual

Abstract

A presença de determinados tipos de lesões na mucosa da laringe pode sinalizar o desenvolvimento de carcinoma espinocelular laríngeo em estágio inicial, que surge a partir do desenvolvimento anormal das células escamosas que compõem a camada interna do revestimento da laringe. Essa doença corresponde a 98% das ocorrências de tumores malignos que acometem a laringe e 3% de todos os casos de câncer, frequentemente levando à óbito quando diagnosticada em estágios avançados. A detecção precoce de lesões sugestivas de desenvolvimento de tecido pré-cancerígeno ou de câncer da laringe em estágio inicial pode ser uma tarefa desafiadora mesmo para médicos experientes. A literatura cient´ıfica existente aponta que modelos baseados em aprendizado de máquina têm sido utilizados para auxiliar o diagnóstico de câncer de laringe, alcançando resultados relevantes, sendo consideradas no estado da arte para a detecção de lesões da laringe as arquiteturas de redes neurais artificiais convolucionais profundas, com precisão reportada de até 98%. Entretanto, a implementação de modelos de machine learning frequentemente exige conhecimentos avançados em linguagem de programação, tornando complexa a tarefa de treinamento e desenvolvimento dessas soluções. Há também modelos de redes neurais artificiais mais recentes, ainda não explorados para a classificação de imagens contendo lesões da laringe.O presente estudo teve por objetivo desenvolver novos métodos baseados em inteligência artificial para classificar lesões da laringe de forma automatizada, a partir de imagens digitais obtidas pela técnica de imagens de banda estreita.Relativamente à metodologia adotada, foram utilizadas 1.320 imagens digitais de tecido da laringe, saudável e em estágio inicial de câncer, obtidas por meio de laringoscopia, subdividas em 4 classes: tecido saudável, tecido com leucoplasia, tecido com vasos hipertróficos etecido com alças capilares intrapapilares. Desse conjunto, foram segregadas 132(10%) para compor o conjunto de testes. Foram implementados cinco modelos de aprendizagem de máquina diferentes, baseados em redes neurais convolucionais profundas (CNN) utilizando programação visual e redes de cápsulas (CapsNet), para classificar as 132 imagens: VGG16,VGG19, Inception V3, CapsNet sem data augmentation e CapsNet combinado a uma técnica de data augmentation utilizando imagens geradas sinteticamente por uma rede generativa adversária (GAN). As arquiteturas de rede neural foram implementadas por meio do software livre Orange Data Mining e da plataforma computacional Google Colab, em linguagem Python, com a utilização das bibliotecas Keras, openCV e Tensorflow. O uso de GAN para ampliar o conjunto de treinamento com imagens geradas sinteticamente melhor ou o desempenho do classificador de cápsula na classificação de todas os tipos de lesões.õ classificador CapsNet com aumento de dados por GAN alcançou sensibilidade, precisão e F1-Score médios de 94,7%, correspondente ao segundo melhor desempenho entre os modelos estudados, contudo ainda apresentou indícios de sobreajuste o melhor desempenho geral foi obtido como classificador CNN Inception V3, que obteve 97% de sensibilidade, precisão e F1-Score, utilizando software de programação visual. Este estudo contribuiu para o avanço do conhecimento em tecnologias relacionadas à saúde ao explorar novos métodos para o auxílio do diagnóstico de câncer da laringe. A solução de inteligência artificial baseada em Rede Neural Convolucional (do inglês Convolutional Neural Network) (CNN) com programação visual proposta alcançou resultados competitivos, permitindo detectar as lesões da laringe em todas as imagens apresentadas ao modelo, com a vantagem de ser implementada em ferramenta de fácil utilização, com menor custo de recursos computacionais e por não exigir conhecimentos avançados em programação de modelos de machine learning, comparativamente aos demais métodos já explorados.