CLASSIFICAÇÃO COMPUTACIONAL AUTOMÁTICA DE GLOMÉRULOS COM CRESCENTES GLOMERULARES EM BIÓPSIAS RENAIS UTILIZANDO APRENDIZADO DE MÁQUINA SEMI-SUPERVISIONADO

Introdução: A presença de crescentes glomerulares é um importante marcador de atividade de doenças renais. Por isso essas lesões de vem ser identificadas, classificadas quanto a celularidade e e enumeradas. Objetivo: O objetivo deste trabalho é criar um sistema computacional que classifique automaticamente glomérulos nas categorias com e sem crescentes. Métodos: Para isso avaliamos diferentes abordagens, modelos e condições de aplicação conjunta de Aprendizado (de máquina) Semi-Supervisionado (SSL, do inglês Semi-Supervised Learning) e Transferência de aprendizado (TL, do inglês Transfer Learning) na tarefa de classificação de imagens histopatológicas de crescente glomerular. Foi utilizada uma base de dados composta de 6.507 imagens histológicas de glomérulos de rins de humanos, coradas por H&E, PAS, PAMS, AZAN e Picro-Sírius, sendo 1.189 glomérulos com crescentes, 1.571 glomérulos normais, 1.172 glomérulos com esclerose, 1.091 glomérulos com hipercelularidade, e 1.484 glomérulos com membranosa. Tendo em vista a existência de um desequilíbrio na quantidade de imagens das diferentes categorias para treino do sistema avaliamos o uso do Suppressed Consistency Loss (SCL) como alternativa para o problema do desbalanceamento das classes no contexto de SSL. A proposta do trabalho foi efetuar a tarefa de classificação de imagens com glomérulos com crescente, aplicando uma técnica de SSL, o Mean Teacher (MT), e efetuando o ajuste fino em um modelo pré-treinado, uma rede WideResNet50. Os modelos foram treinados e avaliados na classificação de crescente versus normal, e crescente versus não crescente (incluindo normais + todas as outras lesões). Resultados: Na classificação crescente versus normal, foram obtidas as seguintes medidas de desempenho: Acurácia de 0.982 ± 0.008, Precisão de 0.987 ± 0.013, Recall de 0.971 ± 0.019 e F1-score de 0.979 ± 0.010. Na classificação crescente versus não-crescente, foram obtidas como medidas de desempenho: Acurácia de 0.927 ± 0.012, Precisão de 0.864 ± 0.032, Recall de 0.712 ± 0.058, F1-score de 0.780 ± 0.042, Média Geométrica de 0.833 ± 0.034 e Coeficiente de Correlação de Matthews de 0.742 ± 0.045. Discussão: A utilização conjunta de MT e TL gerou encorajadores mesmo em cenários sem desequilíbrio entre as classes. Em perspectiva a ampliação do acervo de crescentes e a subclassificação das categorias da lesão.