Agrupamento de múltiplas visualizações com autocodificador de gráfico para gerar imagens histopatológicas em câncer bucal

Resumo

Objetivo:A detecção precoce é fundamental para o diagnóstico preciso e o tratamento eficaz do carcinoma espinocelular oral, especialmente em regiões como o Sudeste Asiático, onde a prevalência é alta. O agrupamento de múltiplas visualizações e os autoencoders gráficos (GAEs), oferecem avanços promissores para melhorar a classificação e a precisão do diagnóstico em imagens histopatológicas de câncer oral. Este estudo explora o agrupamento multiview com autoencoders gráficos (MCGAE) para gerar e analisar imagens histopatológicas de câncer bucal. Material e Métodos: A Coleção de Carcinoma de Células Escamosas de Cabeça e Pescoço do Atlas do Genoma do Câncer serve como um conjunto de dados abrangente, englobando imagens histopatológicas de 756 amostras de carcinoma de células escamosas de cabeça e pescoço. O pré-processamento de imagens envolve o redimensionamento para preservar recursos essenciais, a extração de recursos usando arquiteturas de aprendizagem profunda pré-treinadas e o agrupamento de múltiplas visualizações com GAEs para aprimorar o desempenho do agrupamento integrando dados de várias visualizações. O processo de treinamento otimiza o modelo usando a perda de reconstrução, a perda de agrupamento e a perda contrastiva, alcançando a convergência quando a perda total se estabiliza após 100 épocas. A análise de agrupamento do conjunto de dados revela uma forte separação entre os agrupamentos, conforme evidenciado pelas altas pontuações de Calinski-Harabasz e Davies-Bouldin. Resultados: O desempenho do modelo, aprimorado pelas incorporações do MCGAE, é demonstrado por meio de pontuações de silhueta mais altas e um índice Calinski-Harabasz superior. O modelo MCGAE atinge uma precisão de 93,5%, uma pontuação F1 de 89,36% e uma precisão média de 97,32%. Além disso, o baixo erro quadrático médio e a alta pontuação R2 destacam a confiabilidade e a eficácia do modelo no equilíbrio entre precisão e recuperação. Conclusão: Os GAEs multiview aprimoram os diagnósticos histopatológicos reduzindo os erros de diagnóstico e a variabilidade, promovendo o aprendizado contínuo e simplificando os fluxos de trabalho de diagnóstico.

PALAVRAS-CHAVE

Aprendizagem profunda; Histopatologia; Agrupamento de múltiplas visualizações; Câncer oral; Imagens histopatológicas sintéticas.