Classificação automática de recortes de células cervicais baseada em características não geométricas.

Abstract

A tecnologia aqui proposta visa possibilitar a análise de amostras de células cervicais de exames de Papanicolaou por metodologias baseadas em aprendizagem de máquina e inteligência computacional. Apresenta-se uma ferramenta computacional para a classificação eficiente de células cervicais baseada em características não geométricas extraídas de áreas nucleares de interesse e ignorando as características relativas ao citoplasma. Essa abordagem baseia-se na hipótese de que os núcleos celulares armazenam grande parte da informação sobre as lesões pré-neoplásicas, além de suas áreas serem mais visíveis mesmo com alto nível de sobreposição celular, fato comum nas imagens de exames de Papanicolaou. Foram utilizados algoritmos de aprendizado supervisionado para o desenvolvimento de um sistema de classificação em duas e três classes. Os experimentos utilizaram, para treinamento e testes, 400 imagens reais de citologia convencional do exame de Papanicolaou obtidas em uma base de dados construída pela equipe de pesquisa. Os resultados demonstraram alto desempenho na classificação com 92,3% de F1 para o sistema de 3 classes e 89,5% de F1 para o sistema de 2 classes. Além disso o sistema também apresenta alta eficiência para aplicabilidade em ambientes realísticos tanto computacionais quando biológicos. A tecnologia poderá auxiliar e melhorar a qualidade dos exames feitos pelos laboratórios, proporcionando maior confiabilidade, efetividade e equidade nos resultados.