Determinadas características morfológicas das queratoses actínicas (QA) são consideradas preditivas do desenvolvimento de carcinoma invasivo de células escamosas. A categorização em pontuações PRO I-III baseia-se neste facto, que representa três níveis de risco
para o risco de progressão das lesões de QA. Um estudo publicado em 2023 mostra que uma classificação automática da pontuação PRO apoiada por IA, baseada em dados de imagens LC-OCT, tem o potencial de facilitar o diagnóstico e o acompanhamento da QA no futuro.
Um dos objectivos do estudo de Thamm et al. O objetivo deste estudo foi treinar redes neuronais convolucionais de modo a poderem ser utilizadas para a segmentação automática da epiderme em conjuntos de dados de imagens de tomografia de coerência ótica de campo linear confocal (LC-OCT), a fim de avaliar em tempo real a patologia epidérmica e dérmica das lesões de QA [1]. As QA são consideradas carcinomas de células escamosas in situ, que podem evoluir para carcinomas de células escamosas cutâneos invasivos (CEC). A estimativa do risco de progressão das lesões de QA utilizando imagens LC-OCT oferece vantagens em relação à histologia convencional, uma vez que se trata de um procedimento não invasivo e de alta tecnologia. Macroscopicamente, as lesões de QA aparecem como manchas cor-de-rosa a castanhas em áreas da pele expostas ao sol e são normalmente acompanhadas por hiperqueratose [2]. Enquanto na QA a atipia dos queratinócitos se limita à epiderme, no CEC pode ser observada a perda da junção dermoepidérmica (JDE), o que define a sua proliferação invasiva [3]. Embora a JDE permaneça intacta nas lesões de QA, os seus padrões de crescimento basal alteram-se no decurso do processo de transformação maligna [4]. Avaliar quais as QAs que têm um risco elevado de desenvolver transformação maligna está a tornar-se cada vez mais importante. Por conseguinte, foi desenvolvida uma classificação histológica com a pontuação PRO, que classifica as QA com base em alterações na área de proliferação basal [4,5]. As lesões PRO III de AK estão associadas a um risco mais elevado de desenvolvimento de CEC invasivo do que as lesões PRO II ou PRO I.
Análise de material de imagem utilizando uma abordagem de aprendizagem profunda
O material de imagem da tomografia de coerência ótica confocal de campo linear (LC-OCT) [1,5] serve de base para a pontuação PRO I-III (Fig. 1). A LC-OCT permite examinar uma alteração cutânea suspeita de ser um tumor sem ter de recolher uma amostra de tecido invasiva. As seguintes características são decisivas para classificar o risco de transformação:
- PRO I: Acumulação de queratinócitos atípicos na camada de células basais
- PRO II: saliências epidérmicas na derme papilar superior que são mais finas do que a epiderme sobrejacente
- PRO III: proliferações epidérmicas profundas de queratinócitos atípicos que se estendem mais profundamente na derme do que a espessura da epiderme
Uma avaliação manual da pontuação PRO pode ser distorcida pela avaliação subjectiva do examinador. Esta fonte de erro é reduzida com a quantificação automática apoiada por IA. Os conjuntos de dados de imagens tridimensionais da epiderme e da derme superior gerados pela LC-OCT têm uma resolução mais elevada do que a tomografia de coerência ótica (OCT) convencional e é possível uma maior profundidade de penetração em comparação com a microscopia confocal a laser [6]. As redes neuronais convolucionais (CNN) – as arquitecturas de aprendizagem profunda mais utilizadas atualmente – são utilizadas para a análise automatizada de dados visuais [7]. A UNet é uma arquitetura desenvolvida pela CNN especificamente para a segmentação de imagens biomédicas. No estudo de Thamm et al. Essas CNNs foram treinadas para segmentar imagens LC-OCT de pele saudável e lesões de AK [1]. O treino da CNN baseou-se numa base de dados de imagens de secções verticais LC-OCT adquiridas com um dispositivo LC-OCT (deepLive™ DAMAE Medical, Paris, França) em voluntários com pele saudável e em doentes com QA [1]. Em conformidade com a norma de ouro histopatológica, foram desenvolvidos modelos de pontuação PRO, treinados em 237 imagens LC-OCT-AK e testados em 76 imagens, comparando a pontuação PRO calculada pela IA com o consenso visual de peritos em imagiologia utilizando o coeficiente Cohen-Kappa ponderado linearmente com um intervalo de confiança (IC) de 95%. As análises estatísticas foram efectuadas com a biblioteca SciPy de Python [1].
Elevado grau de concordância entre a IA e os peritos
O julgamento de referência cego para a avaliação da pontuação PRO das 76 imagens do conjunto de teste foi o consenso de dois dermatologistas e um residente [1]. Os resultados mais importantes num relance:
A quantificação automática da pontuação PRO baseada na IA, derivada do índice de ondulação e da profundidade máxima da protrusão, concordou com a categorização visual efectuada pelos peritos em 75% (57/76) dos casos, com um kappa ponderado estatisticamente significativo κ=0,60 (p=6×10-8 <0,001, 95%-KI=[0,43, 0,77]). Isto eliminou a possibilidade de uma correspondência aleatória entre a categorização baseada em IA e a categorização visual, indicando que a formação do algoritmo foi eficaz e próxima do consenso dos peritos.
A avaliação baseada na IA da pontuação PRO correlacionou-se melhor com a pontuação visual do PRO II (84,8%), seguida do PRO III (69,2%) e do PRO I (66,6%). Os erros de interpretação deveram-se sobretudo à sombra da JDE e a características perturbadoras, como os folículos pilosos, e afectaram 25% dos casos. Globalmente, o IA sobrestimou as protrusões em 14,5% (11/76) dos casos, enquanto em 10,5% (8/76) as protrusões foram subestimadas. No que respeita ao PRO I, o 10/30 foi sobrevalorizado como PRO II. Relativamente ao PRO II, 4/33 foram subestimados como PRO I, enquanto 1/33 foram atribuídos ao PRO III. No PRO III, 3/13 foram incorretamente classificados como PRO I e 1/13 como PRO II
De um modo geral, os resultados do estudo sugerem que as CNN são úteis para a quantificação automática da pontuação PRO em conjuntos de dados de imagens LC-OCT e podem ser utilizadas para a avaliação não invasiva do risco de proliferação no diagnóstico e acompanhamento de QA, de acordo com os autores do estudo [1].
Resumo
- As redes neurais convolucionais (CNN) foram treinadas para segmentar imagens LC-OCT de pele saudável e de QA.
- Os modelos de pontuação PRO foram treinados num subconjunto de 237 imagens LC-OCT-AK e testados em 76 imagens, comparando a pontuação PRO calculada pela IA com o consenso visual dos especialistas em imagiologia.
- Foi encontrada uma concordância significativa entre a categorização baseada em IA e a avaliação de peritos em 75% dos casos.
Literatura:
- Thamm JR, et al: [Determinação baseada em IA da pontuação PRO em queratoses actínicas utilizando conjuntos de dados de imagens LC-OCT: Avaliação da pontuação PRO baseada em inteligência artificial em queratoses actínicas a partir de imagens LC-OCT utilizando Redes Neuronais Convolucionais]. J Dtsch Dermatol Ges 2023; 21(11): 1359-1368.
- Schmitz L, Oster-Schmidt C, Stockfleth E: Cancro da pele não melanoma – da queratose actínica ao carcinoma espinocelular cutâneo. J Dtsch Dermatol Ges 2018; 16(8): 1002-1013.
- Cockerell CJ: Histopatologia do carcinoma intra-epidérmico incipiente de células escamosas (“queratose actínica”). J Am Acad Dermatol 2000; 42(1Pt 2): 11-17.
- Schmitz L, et al. Os carcinomas espinocelulares cutâneos estão associados a queratoses actínicas basais proliferativas. Br J Dermatol 2019; 180(4): 916-921.
- Schmitz L, et al: As queratoses actínicas apresentam padrões histológicos de crescimento basal variáveis – um ajuste de classificação proposto. J Eur Acad Dermatol Venereol 2018; 32(5): 745-751.
- Ruini C, et al: Avaliação in vivo por LC-OCT do padrão de proliferação descendente de queratinócitos na queratose actínica em comparação com a histologia: primeiras impressões de um estudo piloto. Cancros (Basileia) 2021; 13(12).
- Yamashita R, et al: Redes neurais convolucionais: uma visão geral e aplicação em radiologia. Insights Imaging 2018; 9(4): 611-629.
PRÁTICA DE DERMATOLOGIA 2024; 34(2): 21-22
