A classificação dos pacientes com tumor cerebral é baseada em achados histológicos que identificam o tipo de malignidade, ao passo que o uso de imagens permite análise minuciosa do tecido tumoral, essencial para determinar, tipo, grau e extensão do tumor, bem como rastrear resposta ao tratamento avaliando com precisão o estado do paciente examinando micro fotografias de tecido, daí, o diagnóstico histopatológico automático em visão computacional pode ajudar os patologistas. Avanços tecnológicos facilitaram o uso de imagens histopatológicas em diversas aplicações, em contraste com as lâminas de vidro tradicionais, as imagens de lâmina inteira, WSI, são reproduções numéricas de materiais de amostras coradas e, devido facilidade de compartilhamento e arquivamento de dados que proporcionam, impactam o procedimento diagnóstico patológico enquanto a análise WSI dá compreensão do conteúdo dos dados possibilitando diagnosticar tumores e subtipos de câncer com precisão sendo que a segmentação e classificação WSI são abordadas utilizando metodologias já que experimentos concentram-se no aprendizado de aspectos superficiais como textura e reconhecimento de padrões, daí, o diagnóstico e tratamento eficaz de tumores cerebrais depende de análise e extração de informações WSI sendo que a detecção e classificação precoces são cruciais no tratamento rápido e eficiente do paciente. Gliomas são tumores cerebrais primários em células cerebrais chamadas de gliais cuja classificação remetem ao prognóstico e planejamento do tratamento, no entanto, o aprendizado profundo, DL, pode melhorar a investigação patológica digital através de modelo preditivo de classificação em imagens histopatológicas orientando profissionais e enfatizando características e heterogeneidade nas previsões. Daí, emerge o modelo híbrido baseado em YOLOv5 e ResNet50, sendo que a função do YOLOv5 é localizar e classificar o tumor em imagens histopatológicas incorporando a ResNet na extração de características da estrutura YOLOv5 sendo que os resultados mostram que a rede híbrida é eficaz para identificar tumores cerebrais a partir de imagens histopatológicas. Características de alta dimensão e interações não lineares nas imagens histopatológicas são tratadas por este classificador utilizando aprendizado profundo, usadas em sistemas anteriores de diagnóstico e auxiliado por computador no diagnóstico de tumor cerebral e, ao combinar arquiteturas YOLOv5 e ResNet50 em modelo híbrido projetado para localização precisa de tumores e classificação preditiva histopatológica, surge nova abordagem de investigação. As vantagens de ambos os modelos vão além das técnicas tradicionais para produzir maior precisão na localização do tumor e extração completa de características, além disso, garante dinâmica de treinamento estável e forte desempenho do modelo, integrando o ResNet50 à estrutura YOLOv5. A técnica proposta é testada usando conjunto de dados do atlas do genoma do câncer cujos resultados indicam que o modelo híbrido impacta a discriminação de subtipos tumorais entre gliomas de baixo grau, LGG II e LGG III e, com 97,2% de acurácia, 97,8% de precisão, 98,6% de sensibilidade e coeficiente de similaridade de dados de 97%, sendo que o modelo proposto tem bom desempenho na classificação de 4 graus superando as abordagens atuais para identificar LGG de glioma de alto grau e fornecerem desempenho competitivo na classificação de 4 categorias de glioma na literatura.
Nestes conceitos, foram criados sistemas de diagnóstico auxiliado por computador, CAD, para classificação de tumores cerebrais que permite o especialista visualizar e categorizar diferentes formas de tumores podendo ser benéficos quando patologistas necessitam de exame visual mais completo ou não têm certeza da natureza do tumor. A Pesquisa em processamento de imagens e visão computacional se concentra no desenvolvimento de algoritmos precisos e eficazes para segmentação, classificação e identificação automática de tumores cujo objetivo é fornecer recursos fiáveis em diagnósticos precisos e proporcionarem tratamento rápido e eficiente. CAD é um método de detecção clínica de rotina utilizado em locais de triagem e hospitais, campo essencial de pesquisa em diagnóstico por imagem, e devido avanços na preservação digital de pesquisas histopatológicas digitalizadas, tecidos são utilizados com sistemas CAD para melhorar a categorização de doenças já que o método tradicional de avaliação que emprega imagens histopatológicas precisa ser apoiado adequadamente porque muitas atividades estão sujeitas a questões relacionadas a análise. Ao diagnosticar e compreender causas de uma determinada doença, a análise quantitativa das imagens patológicas é essencial e modelos de redes neurais convolucionais, CNN, demonstram sucesso em tarefas de reconhecimento e classificação de objetos nos últimos anos cuja principal vantagem é a capacidade de extrair características robustas e resistentes a diversos graus de distorção e luz. Poucos estudos foram realizados para determinar o grau de um tumor cerebral, por outro lado, sistemas automatizados auxiliam patologistas na categorização do grau do tumor e dependem de ferramentas de recursos criadas por humanos que sobrecarregam desenvolvedores e, além da riqueza e complexidade das características recuperadas, esses métodos são sensíveis a ruído, contraste e coloração em imagens histológicas digitais.
Moral da Nota: o sistema CAD baseado no modelo híbrido YOLO e RestNet50 DL tem vantagem de integração entre yolov5 e resnet50 na robustez a variações em qualidade da imagem, tamanho do tumor e localização que abordam limitação de alguns trabalhos relacionados. YOLOv5 é modelo da família You Only Look Once, YOLO, de modelos de visão computacional usado para detectar objetos, em 4 versões, pequeno, s, médio, m, grande, l, e extra grande, x, oferecendo taxas de precisão mais altas. ResNet é rede neural residual, modelo de aprendizado profundo no qual camadas de peso aprendem funções residuais com referência às entradas da camada permitindo que modelos de aprendizado profundo com dezenas ou centenas de camadas sejam treinados facilmente e tenham melhor precisão ao se aprofundar.