RESUMO

INTRODUÇÃO: Até 15% dos casos de câncer de mama são classificados como HER2 positivo e 60% são classificados como HER2-low. A detecção desses biomarcadores é essencial para o prognóstico e predição de resposta ao tratamento, mas podem apresentar erros subjetivos. A inteligência artificial (IA) tem se mostrado promissora na avaliação de biomarcadores e, embora tenha apresentado boa acurácia na identificação do HER2, a avaliação de HER2-low ainda permanece a ser investigada. OBJETIVO: Desenvolver um modelo de IA para a detecção de HER2 e Her2-low. MATERIAIS E MÉTODOS: Uma abordagem de aprendizagem profunda foi utilizada em um conjunto de imagens digitalizadas a partir dos casos de câncer de mama HER2 diagnosticados no A.C. Camargo Cancer Center. RESULTADOS: O algoritmo alcançou uma AUC de 0,75 para HER2+ e 0,78 para Her-low. CONCLUSÃO: A performance do modelo é similar a outros estudos para HER2 (negativo vs positivo) e este é o segundo na literatura a descrever a identificação de HER2-low, também com uma acurácia similar. O uso de IA tem o potencial para ser uma ferramenta valiosa na identificação de biomarcadores em casos de câncer de mama diretamente a partir da imagem histológica, podendo auxiliar na escolha do tratamento adequado e no prognóstico do paciente.

INTRODUCTION: Up to 15% of breast cancer cases are classified as HER2 positive and 60% are classified as HER2-low. The identification of these biomarkers is essential for prognosis and prediction of treatment response but can be subject to subjective errors. Artificial intelligence (AI) has shown good accuracy in identifying HER2 but has not been tested for HER2 low. OBJECTIVE: To evaluate the area under the curve (AUC) for the identification of HER2 and HER2-low using a predictive AI model. MATERIALS AND METHODS: Retrospective study of the AC Camargo database with breast cancer cases classified as HER2 negative and positive, defined as those with a score of 0 and 3+ by IH or FISH, respectively. RESULTS: The algorithm achieved an AUC of 0.75 for HER2 and 0.78 for HER2 low. CONCLUSION: The model's performance is like other studies for HER2 and is the second in the literature to describe the identification of HER2 low, also with good accuracy. The use of AI can be a valuable tool in identifying biomarkers in breast cancer cases, helping to choose appropriate treatment and patient prognosis.

Assuntos

Assuntos

RESUMO

The Nitrogen content of rice leaves has a significant effect on growth quality and crop yield. We proposed and demonstrated a non-invasive method for the quantitative inversion of rice nitrogen content based on hyperspectral remote sensing data collected by an unmanned aerial vehicle (UAV). Rice canopy albedo images were acquired by a hyperspectral imager onboard an M600-UAV platform. The radiation calibration method was then used to process these data and the reflectance of canopy leaves was acquired. Experimental validation was conducted using the rice field of Shenyang Agricultural University, which was classified into 4 fertilizer levels: zero nitrogen, low nitrogen, normal nitrogen, and high nitrogen. Gaussian process regression (GPR) was then used to train the inversion algorithm to identify specific spectral bands with the highest contribution. This led to a reduction in noise and a higher inversion accuracy. Principal component analysis (PCA) was also used for dimensionality reduction, thereby reducing redundant information and significantly increasing efficiency. A comparison with ground truth measurements demonstrated that the proposed technique was successful in establishing a nitrogen inversion model, the accuracy of which was quantified using a linear fit (R2=0.8525) and the root mean square error (RMSE=0.9507). These results support the use of GPR and provide a theoretical basis for the inversion of rice nitrogen by UAV hyperspectral remote sensing.(AU)

O teor de nitrogênio das folhas de arroz tem um efeito significativo sobre a qualidade do crescimento e o rendimento das culturas. Propõe-se e demonstrou-se um método não invasivo para a inversão quantitativa do teor de nitrogênio do arroz com base em dados de detecção remota hiperespectral coletados por um veículo aéreo não tripulado (UAV). As imagens de albedo do dossel de arroz foram adquiridas por uma imagem de imagem hiperespectral a bordo de uma plataforma M600-UAV. O método de calibração da radiação foi então usado para processar esses dados e a reflectância das folhas do dossel foi adquirida. A validação experimental foi realizada utilizando o campo de arroz da Universidade Agrícola de Shenyang, que foi classificado em 4 níveis de fertilizantes: nitrogênio zero, baixo teor de nitrogênio, nitrogênio normal e alto teor de nitrogênio. A regressão do processo gaussiano (GPR) foi então usada para treinar o algoritmo de inversão para identificar bandas espectrais específicas com a maior contribuição. Isso levou a uma redução no ruído e uma maior precisão de inversão. A análise de componentes praincipais (PCA) também foi usada para redução de dimensionalidade, reduzindo assim a informação redundante e aumentando significativamente a eficiência. Uma comparação com as medidas de verdade no solo demonstrou que a técnica proposta foi bem sucedida no estabelecimento de um modelo de inversão de nitrogênio, cuja precisão foi quantificada usando um ajuste linear (R2 = 0,8525) e o erro quadrático médio quadrado (RMSE = 0,9507). Estes resultados suportam o uso do GPR e fornecem uma base teórica para a inversão do nitrogênio do arroz pela detecção remota hiperespectral do UAV.(AU)

RESUMO

ABSTRACT: The Nitrogen content of rice leaves has a significant effect on growth quality and crop yield. We proposed and demonstrated a non-invasive method for the quantitative inversion of rice nitrogen content based on hyperspectral remote sensing data collected by an unmanned aerial vehicle (UAV). Rice canopy albedo images were acquired by a hyperspectral imager onboard an M600-UAV platform. The radiation calibration method was then used to process these data and the reflectance of canopy leaves was acquired. Experimental validation was conducted using the rice field of Shenyang Agricultural University, which was classified into 4 fertilizer levels: zero nitrogen, low nitrogen, normal nitrogen, and high nitrogen. Gaussian process regression (GPR) was then used to train the inversion algorithm to identify specific spectral bands with the highest contribution. This led to a reduction in noise and a higher inversion accuracy. Principal component analysis (PCA) was also used for dimensionality reduction, thereby reducing redundant information and significantly increasing efficiency. A comparison with ground truth measurements demonstrated that the proposed technique was successful in establishing a nitrogen inversion model, the accuracy of which was quantified using a linear fit (R2=0.8525) and the root mean square error (RMSE=0.9507). These results support the use of GPR and provide a theoretical basis for the inversion of rice nitrogen by UAV hyperspectral remote sensing.

RESUMO: O teor de nitrogênio das folhas de arroz tem um efeito significativo sobre a qualidade do crescimento e o rendimento das culturas. Propõe-se e demonstrou-se um método não invasivo para a inversão quantitativa do teor de nitrogênio do arroz com base em dados de detecção remota hiperespectral coletados por um veículo aéreo não tripulado (UAV). As imagens de albedo do dossel de arroz foram adquiridas por uma imagem de imagem hiperespectral a bordo de uma plataforma M600-UAV. O método de calibração da radiação foi então usado para processar esses dados e a reflectância das folhas do dossel foi adquirida. A validação experimental foi realizada utilizando o campo de arroz da Universidade Agrícola de Shenyang, que foi classificado em 4 níveis de fertilizantes: nitrogênio zero, baixo teor de nitrogênio, nitrogênio normal e alto teor de nitrogênio. A regressão do processo gaussiano (GPR) foi então usada para treinar o algoritmo de inversão para identificar bandas espectrais específicas com a maior contribuição. Isso levou a uma redução no ruído e uma maior precisão de inversão. A análise de componentes praincipais (PCA) também foi usada para redução de dimensionalidade, reduzindo assim a informação redundante e aumentando significativamente a eficiência. Uma comparação com as medidas de verdade no solo demonstrou que a técnica proposta foi bem sucedida no estabelecimento de um modelo de inversão de nitrogênio, cuja precisão foi quantificada usando um ajuste linear (R2 = 0,8525) e o erro quadrático médio quadrado (RMSE = 0,9507). Estes resultados suportam o uso do GPR e fornecem uma base teórica para a inversão do nitrogênio do arroz pela detecção remota hiperespectral do UAV.