Através da mutação do receptor do fator de crescimento epidérmico (Epidermal Growth Factor Receptor, EGFR) é possível detectar se o paciente possui câncer de pulmão não pequenas células (Non-small Cell Lung Cancer, NSCLC). Foi proposta uma metodologia de predição de mutações do gene EGFR baseada em aprendizado contrastivo auto-supervisionado, realizando a predição negativa e positiva das imagens da região da lesão do paciente inseridas na rede, sem a necessidade de um grande conjunto de dados rotulado manualmente por especialistas. A rede BYOL auto-supervisionada foi modificada, aumentando o número de camadas do perceptron multicamada não linear (Multilayer Perceptron, MLP) da camada de projeção da rede, e as imagens das duas modalidades CT e PET do paciente foram fusionadas como entrada da rede, permitindo a predição de casos negativos e positivos sem a necessidade de grande conjunto de dados rotulado. Em um conjunto de dados de mutação do gene EGFR de câncer de pulmão não pequenas células, foi realizada comparação com radiômica tradicional, redes supervisionadas VGG-16, ResNet-50, Inception v3 e aprendizado por transferência não supervisionado CAE. Os resultados experimentais mostram que as características de instância das imagens da região da lesão do paciente aprendidas por aprendizado contrastivo a partir de imagens CT e PET podem distinguir casos negativos e positivos, alcançando uma área sob a curva (Area Under the Curve, AUC) de 77%; um aumento de 7% no AUC em relação à radiômica tradicional e de 5% em relação à rede VGG-16 supervisionada; e desempenho apenas 9% inferior ao ResNet-50 supervisionado, sem a necessidade de um grande conjunto de dados rotulado manualmente e muitos dados clínicos. A rede BYOL modificada requer apenas um pequeno conjunto de dados rotulado para obter resultados de detecção mais precisos do que alguns métodos tradicionais supervisionados, demonstrando seu potencial para auxiliar decisões clínicas.

Processamento de imagens médicas; aprendizado profundo; aprendizado contrastivo; PET/CT; predição de mutações genéticas do câncer de pulmão não pequenas células