Avaliação do Potencial da ResNet-50 para Distinção de Tumores Neurais em Imagens Patológicas

Abstract

Tumores neurais são difíceis de diferenciar apenas com base na celularidade e, geralmente, requerem coloração imuno-histoquímica para auxiliar na identificação da linhagem celular. Os tumores podem ser assintomáticos e benignos, e, ainda assim gerar complicações e afetar a qualidade de vida do paciente, especialmente se localizados em regiões vitais do corpo. É fundamental um diagnóstico preciso e precoce para garantir o melhor tratamento, o que muitas vezes não ocorre devido ao alto custo das metodologias tradicionais de diagnóstico. Este artigo aborda a implementação da Rede Neural Convolucional ResNet-50 para diagnóstico precoce a partir da diferenciação dos três tipos mais comuns de tumores neurais - neurofibroma, perineurioma e schwannoma - pela análise anatomopatológica da lesão. A partir da arquitetura da ResNet-50 foram gerados, treinados e validados dois modelos derivados (A e B) para a classificação. Em ambos, foi utilizado o mesmo banco de dados de 30 pacientes, com o total de 106.782 patches divididos entre os conjuntos de treinamento, validação e teste, com estratégias para evitar overfitting e data-leakage. O Modelo A apresentou uma acurácia de 69% e uma perda de 4,3, enquanto o Modelo B obteve, respectivamente, 66% e 3,7. Ambos apresentaram resultados satisfatórios para a diferenciação de apenas duas das três classes de entrada, alcançando cerca de 90% e 80% como verdadeiro positivo no Modelo A, e 84% e 71% no Modelo B. No geral, os resultados foram prejudicados pelo baixo volume de dados e pequena variabilidade em uma das classes do problema. Como próximos passos, almeja-se a melhoria das métricas a partir do aumento do banco de dados, melhoria na proporção de divisão dos conjuntos, inclusão de outros tipos de tumores neurais para classificação e aplicação e avaliação de outras redes neurais para o mesmo tipo de classificação.

Neural tumors are difficult to distinguish based solely on cellularity and often require immunohistochemical staining to assist in identifying the cell lineage. Tumors can be asymptomatic and benign yet still generate complications and affect the patient’s quality of life, mainly if located in vital body regions. Accurate and early diagnosis is essential to ensure the best treatment, which often does not occur due to the high cost of traditional diagnostic methodologies. This article addresses the implementation of the Convolutional Neural Network ResNet-50 for early diagnosis based on the differentiation of the three most common types of neural tumors - neurofibroma, perineurium, and schwannoma - through anatomopathological analysis of the lesion. Two derived models (A and B) were generated, trained, and validated for classification using the ResNet-50 architecture. Both used the same database of 30 patients, with 106,782 patches divided among the training, validation, and testing sets, with strategies to avoid overfitting and data leakage. Model A achieved an accuracy of 69% and a loss of 4.3, while Model B achieved 66% and 3.7, respectively. Both showed satisfactory results for differentiating only two of the three input classes, reaching approximately 90% and 80% as true positive in Model A, and 84% and 71% in Model B. Overall, the results were hindered by the low volume of data and small variability in one of the problem classes. In the following steps, is an aim to improve the metrics by increasing the database, improving the proportion of set division, including other types of neural tumors for classification, and applying and evaluating other neural networks for the same type of classification.