Volto a tema que já foi abordado nas edições 350 e 355 em outros contextos clínicos. Dessa vez, comento estudo recente publicado na The Lancet. O trabalho, assinado por pesquisadores da Clínica Cleveland (EUA) e pesquisadores de empresa médica, é um dos pioneiros no uso da chamada deep neural network (ou rede neural profunda).
Essa técnica envolve novos algoritmos que tratam as redes neurais de maior complexidade (dotadas de mais de duas camadas) a partir de resultados obtidos com a radiômica. Como já dito em coluna anterior, esta última permite a extração de dados quantitativos das imagens, possibilitando a caracterização mais objetiva de tumores.
É bem sabido que há vários tipos de câncer, e que terapias bem sucedidas dependem de fatores genéticos de cada indivíduo. Por sua vez, imagens de tumores podem revelar grupos de pacientes com maior ou menor sensibilidade a certos tratamentos, o que pode orientar os médicos na escolha de procedimentos.
Dito assim, até soa simples. Mas esse cenário é recheado de dificuldades técnicas. Em primeiro lugar, como transformar imagens obtidas por tomografia computadorizada (CT, na sigla inglesa) em um conjunto de dados numéricos que representem suas características mais relevantes para o diagnóstico de câncer? A boa notícia é que isso foi resolvido pela radiômica.
Carlos Alberto dos Santos
Instituto Federal de Educação
Ciência e Tecnologia do Rio Grande do Norte (Natal)
Para acessar este ou outros conteúdos exclusivos por favor faça Login ou Assine a Ciência Hoje.
Uma das vozes mais proeminentes na Colômbia sobre ecologia e desenvolvimento sustentável, a bióloga Brigitte Baptiste conta o que a natureza e a abertura à mudança podem ensinar à humanidade sobre a importância da diversidade e a construção de um mundo sustentável.
