Aprendizado profundo para classificação histopatológica e prognóstico de tumores ginecológicos do músculo liso (STUMP)

Os tumores de músculo liso do útero que não se enquadram nos critérios diagnósticos de benignidade (como leiomiomas) ou malignidade (como leiomiossarcomas) são chamados de STUMP (tumor de músculo liso de potencial maligno incerto). Uma solução potencial para esse problema poderia ser a aplicação de modelos preditivos utilizando inteligência artificial (IA) para auxiliar na classificação histopatológica e no prognóstico de tumores ginecológicos de músculo liso. O aprendizado profundo usando redes neurais convolucionais representa uma classe específica de aprendizado de máquina, na qual modelos preditivos são treinados considerando pequenos grupos de pixels em imagens digitais e identificando iterativamente características salientes. Neste estudo, pretendemos desenvolver modelos de aprendizagem profunda capazes de subclassificar e prever com precisão o prognóstico de tumores ginecológicos de músculo liso, com base em características histopatológicas de lâminas de hematoxilina e eosina (H&E). O objetivo é desenvolver um algoritmo diagnóstico e prognóstico para ajudar os patologistas a classificar e diagnosticar melhor os tumores do músculo liso uterino e prever seu curso clínico.