Neoplasias neuroendócrinas pancreáticas (PNENs) são um tipo raro de câncer que afeta as células produtoras de hormônios do pâncreas. Embora raras, sua incidência tem aumentado constantemente nas últimas décadas. As opções de tratamento incluem quimioterapia e terapias direcionadas, mas a cirurgia continua sendo a única chance de cura. No entanto, as decisões cirúrgicas muitas vezes dependem de achados patológicos que podem levar horas ou até dias. Isso atrasa o tratamento e aumenta o risco de remoção incompleta do tumor.
Pesquisadores da Universidade do Arizona desenvolveram uma nova técnica de imagem que permite aos cirurgiões identificar tecido canceroso com mais rapidez e precisão. A microscopia multifóton (MPM) usa um método de imagem baseado em luz que destaca moléculas fluorescentes naturais no tecido. Ao contrário da microscopia tradicional, a MPM causa menos danos às amostras e fornece imagens mais nítidas, tornando-a uma ferramenta promissora para análise em tempo real durante a cirurgia.
Conforme relatado em Biophotonics Discovery , a equipe de pesquisa usou MPM para examinar amostras de tecido pancreático em busca de marcadores fluorescentes naturais, como colágeno, NADH, FAD, lipofuscina e porfirinas. Esses marcadores ajudam a distinguir entre tecido saudável e canceroso. Para interpretar as imagens, os pesquisadores empregaram técnicas de aprendizado de máquina (ML) e aprendizado profundo. Um algoritmo de ML e quatro redes neurais convolucionais (CNNs) foram treinados para classificar os tipos de tecido.
Os resultados foram encorajadores. O algoritmo de ML alcançou 80,6% de precisão na identificação de tecido canceroso, enquanto as CNNs tiveram um desempenho ainda melhor, com precisão entre 90,8% e 96,4%. Esses altos índices são particularmente notáveis, pois as amostras vieram de múltiplos biorepositórios, sugerindo que o método é robusto em diferentes fontes.
Embora as CNNs tenham superado o algoritmo de ML, este ofereceu maior transparência. Ao analisar os recursos que influenciaram as decisões do modelo de ML, os pesquisadores descobriram que o teor de colágeno e as características da imagem, como contraste e correlação, eram indicadores importantes de câncer. Essas descobertas podem ajudar a refinar modelos futuros e melhorar a compreensão da estrutura do tecido PNEN.
O estudo também mostrou que a imagem MPM é mais rápida do que a histologia tradicional. No entanto, os pesquisadores acreditam que mais melhorias podem torná-la ainda mais rápida. Em seguida, eles planejam testar a técnica em amostras de tecido fresco durante a cirurgia e ver se ela pode ajudar a determinar o grau e o tipo de PNENs – informações que podem tornar as decisões de tratamento mais precisas.
