Estudo de viabilidade de desenvolvimento do MoleGazer

Fundo

A incidência de melanoma está aumentando rapidamente, com 15.906 novos casos no Reino Unido (Reino Unido) em 2015, resultando em 2.285 mortes. O diagnóstico precoce do melanoma é essencial, pois a doença em estágio inicial tem > 95% de taxa de sobrevida relativa em 5 anos, em comparação com 8-25% para o melanoma avançado. No Reino Unido, prevê-se que os custos do câncer de pele excedam £ 180 milhões até 2020 e representem significativa morbidade (e mortalidade) para os indivíduos afetados. Até 60% dos melanomas surgem de nevos pré-existentes (sinais). A detecção precoce do melanoma depende do reconhecimento individual das alterações nos nevos e, para os indivíduos com nevos múltiplos, avaliação especializada desses nevos por dermatologistas treinados, usando meios auxiliares de diagnóstico, como dermatoscopia (ampliação x10). Além disso, há evidências de que a vigilância sequencial de nevos também aumenta as taxas de detecção de melanoma.

A fotografia total do corpo (TBP) é uma ajuda diagnóstica para o monitoramento de múltiplos nevos

Para pacientes com alto risco de desenvolver melanoma com nevos múltiplos (> 60), a fotografia total do corpo (TBP) (imagens padronizadas de partes do corpo tiradas com câmera de alta resolução) é usada como auxílio para rastrear, comparar e monitorar nevos ao longo tempo e demonstrou melhorar o diagnóstico de melanoma. O monitoramento de vigilância de curto prazo recomendado de nevos é de 3 meses, mas é amplamente confinado a lesões únicas. Em um Serviço Nacional de Saúde (NHS) com recursos limitados, a vigilância frequente de nevos múltiplos por um dermatologista é impraticável e ineficiente, de modo que o diagnóstico precoce do melanoma depende efetivamente da autovigilância do paciente. Uma solução potencial é a análise automatizada de imagens TBP usando inteligência artificial (IA) para rastrear e monitorar naevi ao longo do tempo.

A inteligência artificial aplicada ao TBP pode melhorar a eficiência do 'mapeamento de moles'

A avaliação anterior de lesões de pele por IA demonstrou precisão equivalente a dermatologistas treinados no diagnóstico de câncer de pele, no entanto, isso se baseou na análise de lesão única em pontos de tempo estáticos (com diagnósticos comprovados por biópsia). O uso de lesões programadas para excisão (ou seja, alta suspeita clínica de melanoma) limita severamente a aplicabilidade clínica e uma revisão da Cochrane concluiu que a utilidade da detecção auxiliada por computador para o diagnóstico de melanoma na atenção secundária permanece desconhecida. a detecção de alterações nos nevos usando imagens TBP sequenciais, conhecidas clinicamente como 'mapeamento de toupeira', pode de fato melhorar o diagnóstico precoce do melanoma.

Até o momento, os sistemas TBP no NHS têm automação limitada, restrita ao armazenamento e recuperação de imagens. Embora exista um sistema automatizado de escaneamento total do corpo e, no futuro, possa incorporar o diagnóstico baseado em IA, além dos algoritmos atuais de aquisição de imagem e correspondência de lesões, uma validação clínica completa e qualquer implementação subsequente no NHS serão dispendiosas devido ao investimento necessário em o sistema de escaneamento (custo atual de US$ 1 milhão). Não se sabe se os mesmos ou melhores resultados podem ser alcançados usando equipamentos de aquisição de imagem mais convencionais e técnicas sofisticadas de IA. Os pesquisadores propõem uma nova aplicação de métodos astronômicos de IA para detecção precoce de melanoma usando vigilância padrão de nevos baseada em TBP, que atualmente é empregada no NHS e pode ser usada como adjuvante na revisão clínica de indivíduos.

Aplicação de técnicas astronômicas de IA ao monitoramento TBP de múltiplos nevos

A ciência transitória em astronomia visa detectar e rastrear a evolução de novas fontes astronômicas, como a explosão de estrelas. Exibindo evolução de longo e curto prazo, eventos individuais são detectados comparando novas imagens com dados de arquivo e classificados com base em um conjunto de recursos, incluindo brilho transitório, cor, movimento adequado e extensão. Pesquisas astronômicas de ponta monitoram o céu todas as noites em escalas de tempo de vários anos para identificar mudanças sutis. Técnicas de IA (como florestas aleatórias e redes neurais recorrentes; RNN) que usam o histórico completo de séries temporais e informações contextuais são rotineiramente usadas para identificar e classificar eventos probabilisticamente. Com cada nova observação fornecendo informações adicionais, as pesquisas de transientes astronômicos podem detectar e caracterizar rotineiramente novas fontes, de modo que a evolução de novas fontes pode ser prevista com 99,5% de precisão com base em apenas três pontos no tempo.

Este desafio enfrentado na astronomia é análogo ao 'mapeamento de toupeira' para indivíduos com alto risco de desenvolver melanoma; Tanto os nevos quanto as fontes astronômicas podem ser caracterizados como fontes distintas contra um fundo homogêneo que são rastreados em várias imagens para detectar mudanças. Os pesquisadores, portanto, levantam a hipótese de que as técnicas astronômicas de IA são ideais para resolver esse problema clínico e estão desenvolvendo o projeto MoleGazer para testar isso.

Justificativa

Para desenvolver o algoritmo MoleGazer, os investigadores precisam de um conjunto de dados de linha de base para aplicar algoritmos astronômicos de IA a imagens TBP para detectar e rastrear naevi em imagens sequenciais. Atualmente, não há bancos de dados de imagens TBP disponíveis publicamente para os investigadores testarem essa viabilidade e, portanto, neste estudo, o objetivo é coletar:

1. uma coorte de série temporal de imagens TBP tiradas em pontos de tempo sequenciais fixos ao longo de 2 anos
2. uma coorte de linha de base de imagens TBP com imagens sequenciais tiradas em qualquer ponto de tempo Ao coletar imagens TBP, permitirá aos investigadores estudar a sensibilidade da detecção e caracterização de nevos no tom da pele, níveis de iluminação, registro de imagens e técnicas de subtração de fundo, capacitando os investigadores para também automatizar a detecção de nevos e acompanhar sua evolução em qualquer imagem sequencial que a equipe de estudo tenha. O desenvolvimento desse banco de dados permitirá aos investigadores demonstrar a viabilidade da aplicação de métodos astronômicos de IA às imagens TBP.