Por Sara Oliveira, Investigadora do Centro de Telecomunicações e Multimédia (CTM) do INESC TEC
Estamos em outubro, mês dedicado à consciencialização para o cancro da mama e para a importância da prevenção e diagnóstico precoce da doença. Por essa razão, quando surgiu o convite para escrever para o BIP, considerei-o uma ótima oportunidade para vos dar a conhecer o meu projeto de doutoramento.
Faço parte do grupo de investigação VCMI (Visual Computing and Machine Intelligence), que integra o CTM, liderado pelo professor Jaime Cardoso e, em particular, do Breast Research Group, cuja linha de investigação está centrada no cancro da mama, em estreita ligação com a unidade de mama, da Fundação Champalimaud.
Cheguei ao INESC TEC em 2016 como bolseira de investigação do BCCT.plan, projeto centrado no desenvolvimento de uma ferramenta de planeamento cirúrgico 3D personalizado da cirurgia conservadora do cancro da mama. Entretanto, em 2018, comecei o meu doutoramento na FEUP, sob orientação do investigador Professor Hélder Oliveira, e mudei um pouco a direção do meu trabalho. Passei do mundo 3D para as duas dimensões e decidi explorar abordagens de análise e processamento de imagem médica, conhecidas como “radiomics” e “pathomics”. E o que é isto? Basicamente, métodos para converter imagens num conjunto de dados, indo além dos que são visíveis a “olho nu”, e explorar o seu potencial para enriquecer a caraterização do tumor.
O uso de imagem médica como suporte ao diagnóstico do cancro da mama já faz parte da prática clínica há bastante tempo, mas a caraterização completa do tumor ainda é uma tarefa desafiante, devido à parcialidade de informação que se pode obter com cada modalidade de imagem. E foi aqui que encontrámos uma oportunidade de investigação: porque não combinar a informação que cada modalidade contém e fortalecer os modelos de suporte à decisão clínica?!
Desde o rastreio/diagnóstico da doença até ao tratamento, vários exames radiológicos são realizados (mamografia, ressonância magnética, ecografia) e diversa informação é reunida. Para além disso, depois do diagnóstico de cancro da mama, importa ter informação ainda mais detalhada das características do tumor. Dessa forma, procede-se a uma biópsia, na qual se obtém uma amostra de tecido que, depois de preparada, resulta numa imagem (histopatológica). No fim, cada caso tem um conjunto de imagens associado: a matéria-prima para o nosso trabalho. O objetivo é, então, explorar técnicas de processamento de imagem e, particularmente técnicas de deep learning, para uma efetiva e precisa combinação de todas estas imagens (em particular as de ressonância magnética e as histopatológicas) para a classificação do subtipo de cancro da mama.
E quais os desafios de investigação? Na verdade, este problema torna-se particularmente desafiante devido, principalmente, a três fatores: a subtileza das lesões que, em muitos casos, as torna mais difíceis de detetar; a elevada resolução das imagens, principalmente de histopatologia, as quais requerem modelos maiores, que por sua vez necessitam de mais dados, por vezes raros; e, por fim, a heterogeneidade do tipo de imagens, o que implica o uso de diferentes abordagens e métodos para a sua análise. No entanto, é para isso mesmo que a investigação serve: para não nos deixarmos intimidar pelos desafios e procurarmos caminhos para os resolver. E já agora, que eles nos inspirem a pensar fora da caixa!
Notícias, atualidade, curiosidades e muito mais sobre o INESC TEC e a sua comunidade!
