Desenvolvimento de um framework computacional para quantificação de biomarcadores em imagens histopatológicas de câncer de mama em ambiente web

Abstract

O câncer de mama é uma das principais causas de mortalidade feminina globalmente, sendo a análise de biomarcadores por imuno-histoquímica (IHQ) uma etapa crítica para a definição terapêutica. Tradicionalmente, a quantificação da expressão nuclear de receptores hormonais (ER/PR) é realizada manualmente, processo sujeito à subjetividade e baixa reprodutibilidade. Embora a Patologia Digital ofereça soluções automatizadas, a adoção de scanners de lâminas inteiras (WSI) enfrenta barreiras financeiras em cenários com recursos limitados, havendo ainda uma escassez de estudos na literatura que integrem captura de baixo custo (smartphone acoplado a microscópio) com processamento em nuvem robusto, validando essa arquitetura para a rotina clínica de IHQ. Desta forma, este trabalho propõe e valida uma arquitetura computacional de baixo custo, baseada na integração de microfotografias digitais capturadas via smartphone acoplado ao microscópio e processamento em nuvem, mais especificamente, um framework computacional para quantificação de biomarcadores em ambiente web. A metodologia envolveu a implementação e comparação de três abordagens algorítmicas para a segmentação nuclear: um Método Clássico com limiarização adaptativa, um Método Estatístico baseado na Distância de Mahalanobis com expansão polinomial e um Método de Inteligência Artificial com uso de Deep Learning com Faster R-CNN. A avaliação quantitativa revelou limitações severas no Método Clássico com Recall inferior a 10% para células negativas, um desempenho equilibrado no Método Estatístico com F1-Score ?0,76 e a superioridade da abordagem por Deep Learning, que alcançou precisão global superior a 82%, demonstrando robustez frente ao pleomorfismo celular. Como prova de conceito da arquitetura, o Método Clássico foi integrado a um aplicativo móvel, validando com sucesso o ciclo completo de aquisição, orquestração de microsserviços em nuvem e visualização de máscaras. Conclui-se que a arquitetura Mobile-Cloud proposta é tecnicamente viável para democratizar o acesso à patologia digital, desde que suportada por motores de inferência baseados em IA para garantir a confiabilidade clínica necessária.

Abstract: Breast cancer is one of the leading causes of female mortality globally, and the analysis of biomarkers via immunohistochemistry (IHC) is a critical step for therapeutic decision-making. Traditionally, the quantification of nuclear expression of hormone receptors (ER/PR) is performed manually, a process prone to subjectivity and low reproducibility. Although Digital Pathology offers automated solutions, the adoption of Whole Slide Imaging (WSI) scanners faces financial barriers in resource-constrained settings, with a notable scarcity of studies integrating low-cost capture (smartphone attached to a microscope) with robust cloud processing validated for IHC clinical routines. Therefore, this work proposes and validates a low-cost computational architecture based on the integration of digital micrographs captured via a smartphone attached to a microscope and cloud processing, specifically, a computational framework for biomarker quantificationmin a web environment. The methodology involved the implementation and comparison of three algorithmic approaches for nuclear segmentation: a Classical Method using adaptive thresholding, a Statistical Method based on Mahalanobis Distance with polynomial expansion, and an Artificial Intelligence Method using Deep Learning with Faster R-CNN. Quantitative evaluation revealed severe limitations in the Classical Method, with a Recall below 10% for negative cells; a balanced performance in the Statistical Method, with an F1-Score ?0.76; and the superiority of the Deep Learning approach, which achieved an overall accuracy greater than 82%, demonstrating robustness against cellular pleomorphism. As a proof of concept for the architecture, the Classical Method was integrated into a mobile application, successfully validating the complete cycle of acquisition, cloud microservices orchestration, and mask visualization. It is concluded that the proposed Mobile-Cloud architecture is technically feasible for democratizing access to digital pathology, provided it is supported by AI-based inference engines to ensure the necessary clinical reliability.