A poderosa abordagem diagnóstica usa a luz para detectar praticamente todas as formas de câncer

Prévia do material em texto

1/3
A poderosa abordagem diagnóstica usa a luz para detectar
praticamente todas as formas de câncer
Usando a espectroscopia Raman como um meio de detecção, os pesquisadores construíram um
extenso banco de dados de assinaturas para detectar qualquer câncer.
Se o câncer é detectado cedo o suficiente, as chances de sobrevivência melhoram drasticamente.
Infelizmente, os métodos tradicionais de triagem, como endoscopia ou biópsias, de tecido suspeito
identificam cânceres que estão a caminho de se tornarem problemáticos, sem mencionar que esses
métodos também são invasivos e complicados de realizar.
Técnicas que rastreiam fluidos corporais usando lasers, como a espectroscopia Raman aprimorada pela
superfície (SERS), mostram promessa porque são mais rápidas e menos invasivas. Os pesquisadores
podem detectar com precisão quantidades minúsculas de moléculas biológicas, por exemplo aquelas
associadas ao câncer em estágio inicial, em uma amostra de sangue fácil de entender.
Embora os pesquisadores estejam otimistas sobre a capacidade dessas técnicas de fornecer detecção
precoce, os problemas permanecem, especialmente quando se lida com formas raras de câncer Esses
casos raros não produzem os mesmos resultados quando se utilizam técnicas, como SERS, e muitas
vezes são perdidos por modelos e algoritmos.
Em um artigo publicado na Advanced Intelligent Systems, o professor Duo Lin no Laboratório Provincial
de Tecnologia Fotônica da Fujian, na Universidade Normal de Fujian, e seus colegas descrevem uma
solução criativa para detectar formas raras da doença.
2/3
Transformando luz em diagnóstico de câncer
O desafio com o SERS é que, ao contrário de outros exames médicos em que uma amostra física pode
ser examinada, o SERS revela uma mudança na energia dos fótons de luz que passaram por uma
amostra. Como os fótons de um laser entram em contato com as moléculas da amostra, eles se
dispersam.
Traduzir esse padrão de dispersão para um diagnóstico de câncer e, além disso, que tipo de câncer
poderia ser, é quase impossível para os seres humanos, porque requer que um perfil de dispersão
provavelmente associado ao câncer seja ajustado pelo rastreamento de milhares de amostras cada uma
com diferenças sutis. Felizmente, esse é o tipo de problema em que um algoritmo bem treinado se
destaca.
Para levar o algoritmo até a velocidade, os pesquisadores têm usado um grande número de amostras
conhecidas, positivas e negativas para o câncer, como um conjunto de dados de treinamento que
permite ao algoritmo aprender quais características distinguem positivo e negativo.
Após catalogar e categorizar as diferenças sutis, surge um modelo para diagnosticar o câncer. O modelo
funciona muito bem para cânceres comuns, pois há muito material de treinamento, mas por sua própria
natureza, os cânceres raros estão representados no banco de dados de treinamento e difíceis para o
algoritmo aprender e detectar.
Aprendendo com a prevalência do câncer no mundo real
Para resolver esse desequilíbrio de dados, havia várias estratégias de amostragem disponíveis para Lin
e sua equipe que aumentam artificialmente a representação de pontos de dados raros, neste caso
cânceres raros.
Eles escolheram uma estratégia chamada Técnica de Sobre-Sampling de Minoridade Sintética
(SMOTE). “Geralmente, o SMOTE é uma técnica minoritária de sobreamostragem, o que aumenta o
número de amostras de classe minoritária, sintetizando novas amostras entre os vizinhos mais próximos,
aliviando assim o problema do desequilíbrio de dados”, explicou Lin.
Para aumentar o tamanho da amostra de cânceres raros, Lin usou SMOTE para escolher aleatoriamente
amostras que são os vizinhos mais próximos dos raros cânceres – em outras palavras, amostras que
são semelhantes. SMOTE, em seguida, cria artificialmente uma nova amostra entre os dois.
Mas o SMOTE sozinho não estava resolvendo o problema. “Descobrimos que, quando o número de
classes minoritárias era tanto quanto as classes majoritárias, o modelo sofria com a redundância de
dados, levando a um fraco desempenho de classificação”, disse Lin.
Não foi até Lin e seu colega da Universidade Normal de Fujian, Shangyuan Feng, fez uma observação
fundamental sobre a distribuição de câncer raro na população que a solução ficou clara. Eles viram que
a prevalência de câncer na população segue aproximadamente o que é conhecido como uma
distribuição de leis de poder.
3/3
Simplificando, esta é uma relação estatística entre duas quantidades em que uma mudança relativa em
uma resulta em uma mudança relativa proporcional na outra. Com esse conhecimento, eles poderiam
ajustar a quantidade de reamostragem que o SMOTE estava fazendo nos raros cânceres para se
adequar a essa relação do mundo real e criar um conjunto de dados equilibrado.
De acordo com Lin, “os experimentos mostram que o método de poder legal-SMOTE pode efetivamente
aliviar o problema de desequilíbrio de dados e melhorar o desempenho do modelo”.
O poder da estatística
Tendo superado esse obstáculo, a equipe está ampliando o número de amostras e tipos de câncer em
seus conjuntos de dados de treinamento e espera que o modelo se mantenha diante de mais e mais
dados. Se isso acontecer, uma nova técnica de diagnóstico poderosa poderia melhorar o prognóstico de
pacientes afligidos por todas as formas de câncer.
Curiosamente, as distribuições de leis de energia são encontradas em muitos conjuntos de dados e Lin
acredita que seu método também pode ser aplicado aqui. “Na verdade, as distribuições de lei de energia
ou cauda longa são encontradas em muitos cenários, como fraude de telecomunicações, detecção de
anomalias, detecção de intrusão de rede, previsão de desastres, etc.”
Referência: Changbin Pan, et al., SMOTE baseado em Power-Law na superfície sérica desequilibrada,
aumentou os dados de espectroscopia Raman para o rastreamento do câncer, Sistemas Inteligentes
Avançados (2023). DOI: aisy.202300006
Crédito da imagem: Ivan Evans em Unsplash
ASN WeeklyTradução
Inscreva-se para receber nossa newsletter semanal e receba as últimas notícias científicas diretamente
na sua caixa de entrada.
ASN WeeklyTradução
Inscreva-se no nosso boletim informativo semanal e receba as últimas notícias científicas.
https://onlinelibrary.wiley.com/doi/full/10.1002/aisy.202300006
https://onlinelibrary.wiley.com/doi/full/10.1002/aisy.202300006