Técnicas baseadas em inteligência artificial para caracterizar a microestrutura renal em imagens histológicas (AI-TIME)

A análise histopatológica do tecido renal baseada na morfologia desempenha um papel fundamental no diagnóstico e nas decisões terapêuticas de muitas doenças renais. Até o momento, a análise histopatológica é realizada principalmente de forma qualitativa, por inspeção visual, necessitando de patologistas especialistas altamente treinados.

Os achados histopatológicos são frequentemente pontuados por patologistas usando escalas de classificação diagnóstica semiquantitativas, como a classificação de Oxford para nefropatia por IgA ou escalas de gravidade da doença. Apesar de tais sistemas de pontuação, a análise histopatológica permanece semiquantitativa, demorada e altamente dependente do operador. Técnicas manuais têm sido propostas para avaliar quantitativamente a microestrutura renal em imagens histológicas, mostrando potencial para monitorar a progressão da doença e a resposta à terapia na doença renal crônica (DRC). Por exemplo, o volume intersticial peritubular, responsável por funções endócrinas cruciais e que sofre expansão significativa, embora reversível, na DRC, foi recentemente quantificado em amostras de biópsia renal por contagem de pontos em cada quadro. Apesar de permitirem uma quantificação precisa, estas técnicas manuais são trabalhosas e dependentes do operador. A avaliação quantitativa rápida e objetiva da microestrutura renal seria altamente desejável.

A digitalização das imagens histológicas, tal como das imagens de diagnóstico, permitiu beneficiar de técnicas avançadas de análise de imagens que permitem a identificação e segmentação de estruturas histopatológicas relevantes e a avaliação quantitativa da microestrutura dos tecidos.

Nos últimos anos, as técnicas de Inteligência Artificial (IA) e, em particular, de Aprendizagem Profunda (DL) têm-se mostrado promissoras para a segmentação (semi)automatizada de estruturas morfológicas relevantes em imagens histológicas, limitando a necessidade de operadores especializados, garantindo a reprodutibilidade e reduzindo enormemente a demanda de tempo. Redes neurais convolucionais (CNNs) demonstraram recentemente excelente desempenho em tarefas de segmentação de imagens, também na área médica. Em particular, as chamadas U-Nets, que consistem num caminho de contração e de expansão, tornaram-se cada vez mais populares desde a sua primeira utilização. Poucos estudos, até o momento, utilizaram CNNs para investigar a microestrutura renal em imagens histológicas. Hermsen et al. usaram CNNs para segmentação multiclasse de imagens histológicas de biópsias renais [8]. Um estudo semelhante teve como objetivo desenvolver uma CNN para segmentação de estruturas de tecido renal de camundongos, como glomérulos, túbulos, artérias e veias, com base em imagens densamente anotadas de diferentes doenças renais e de várias espécies animais.

Apesar destes esforços preliminares promissores, a alta heterogeneidade dos padrões morfológicos coloca desafios à generalização das técnicas de segmentação. Métodos automatizados baseados em DL capazes de segmentar e quantificar com precisão estruturas morfológicas relevantes em imagens histológicas renais de pacientes com diferentes patologias renais e/ou diferentes estágios da doença seriam altamente desejáveis.