Aprendizado de máquina aplicado à detecção, classificação e análise de células tumorais em imagens de microscopia de luz visível

Abstract

A automatização da análise de células únicas em imagens de microscopia de luz visível ainda é um desafio. A variação entre configurações experimentais, microscópios e linhagens celulares impossibilitam a aplicação de uma solução única para a correta detecção e identificação de características celulares, como área, orientação e etapa do ciclo celular. Além disso, o baixo contraste entre célula e fundo da imagem impede a aplicação de pipelines frequentemente usados em imagens de fluorescência. O presente trabalho buscou desenvolver e validar uma ferramenta capaz de detectar e classificar células tumorais em imagens de microscopia de luz visível de maneira automatizada, empregando aprendizado de máquina. Ademais, foram propostas novas métricas para avaliação de desempenho de diferentes modelos de aprendizado de máquina, tendo em vista que a aplicação destas ferramentas em contexto biológico não necessariamente corresponde ao modo em que são aplicadas para outras abordagens. Oito modelos foram treinados e avaliados quanto à sua capacidade de identificar corretamente o número, posição, orientação, área e classe de células nas imagens. A partir dos resultados obtidos, foi possível determinar o nível de acerto dos modelos para cada aplicação, validando a ferramenta. Adicionalmente, foi desenvolvida uma versão do programa com interface, além da versão por linha de comando, facilitando sua utilização por não programadores. Espera-se que a ferramenta desenvolvida neste trabalho acelere as análises de células únicas em imagens de microscopia de luz visível, a partir da quantificação simultânea de múltiplas características celulares.

Automating the analysis of single cells in visible light microscopy images is still a challenging task. The disparity between experimental setups, microscopes and cell lines hinders the creation of a universal solution for cell detection and identification of cell characteristics, such as area, orientation and cell cycle stage. Furthermore, the low contrast between cell and image background prevents the application of pipelines frequently used in the analyses of fluorescence imaging. This work sought to develop and validate a machine learning tool capable of detecting and classifying tumor cells in visible light microscopy images. Novel metrics were proposed to evaluate the performance of different machine learning models, taking into account that the application of these tools in a biological and non-biological context may vary considerably. Eight models were trained and evaluated for their ability to correctly identify cell number, position, orientation, area and class. The performance of the models for each application was assessed, validating the proposed tool. Furthermore, an interface version of the program was developed, in addition to the command line version, facilitating its use by non-programmers. We expect that the tool developed in this work will contribute to single-cell analysis in visible light microscopy, by simultaneously quantifying multiple cell features.