Aplicação de algoritmos de deep learning para estimativa do volume de dano térmico causado pela aplicação de RFA em ensaios pré-clínicos ex vivo

Abstract

O Carcinoma Hepatocelular (CHC) é o câncer de fígado mais comum no mundo, uma alternativa para tratamento do CHC é a ablação por radiofrequência (RFA). A RFA é um procedimento minimamente invasivo que gera dano térmico no tecido por meio da transferência de energia de radiofrequência (RF), o uso dessa técnica é recomendado para tumores de até 3 cm de diâmetro. Os diâmetros de ablação maiores são difíceis de se obter e a ablação incompleta pode resultar na permanência de tecido tumoral e recidiva do tumor. Para garantir que ocorra a ablação por completo do tumor é essencial o monitoramento de forma não invasiva do procedimento, as principais modalidades empregadas para acompanhar o volume de dano térmico causado pela RFA são baseadas em imagem. Durante a aplicação da RFA bolhas podem se formar no tecido dificultando a visualização da zona de ablação. Desta forma, o objetivo deste trabalho é o desenvolvimento e avaliação de dois algoritmos de Deep Learning para estimativa do volume de dano térmico causado pela aplicação de RFA em tecido hepático a partir de dados gerados pelo próprio equipamento de RF. Para alcançar esses objetivos foi montado um setup experimental, onde foram realizados experimentos com aplicação de RFA em fígado suíno ex vivo para aquisição dos dados do equipamento e volume de dano térmico. Os dados gerados foram utilizados na construção de dois algoritmos de Deep learning, Multilayer Perceptron (MLP) e Long Short Term Memory (LSTM). O desempenho dos modelos foi avaliado por meio de validação cruzada. Os resultados obtidos e comparação com dados presentes na literatura demonstram que o modelo ex vivo empregado consegue representar adequadamente um modelo in vivo, e que existe correlação entre os dados gerados pelo equipamento de RF e o desfecho do procedimento. Os dois algoritmos de Deep learning propostos foram capazes de estimar o volume de dano térmico com métricas de desempenho muito próximas. O modelo LSTM apresentou R² de 0,8264 e MAE de 0,8297 cm³, enquanto o MLP apresentou R² igual a 0,8204 e MAE de 0,9202 cm³. Com a utilização da validação cruzada foi observada maior estabilidade de predição no modelo LSTM. Este trabalho conclui que - os modelos conseguem realizar a estimativa do volume ablado e podem ser incorporados em equipamentos de RFA. Essa inserção auxilia na tomada de decisão e ajuda a mitigar um dos limitadores desta terapia, que é a ablação incompleta, sendo a solução para um problema que ainda estava em aberto na literatura