Unsupervised dimensionality reduction of polarimetric data for pixel-wise pathological tissue differentiation

Título do Estudo

Redução de dimensionalidade não supervisionada de dados polarimétricos para diferenciação tecidual patológica pixel a pixel.

1. Problema e Contexto

A matriz extracelular (MEC) é fundamental para a estrutura e função dos tecidos, sendo composta principalmente por três tipos de fibras: colágeno, reticulares e elásticas. Alterações na estrutura dessas fibras estão diretamente ligadas ao desenvolvimento de doenças como câncer, fibrose e carcinoma.

• Limitações Atuais: O padrão-ouro para visualização dessas fibras é a histopatologia tradicional, que depende de protocolos de coloração múltiplos e laboriosos (ex: Tricrômico de Masson, Prata de Gomori, Verhoeff-Van Gieson). Esses métodos exigem cortes seriados adjacentes, são suscetíveis a discrepâncias morfológicas entre as secções e consomem muito tempo.
• Limitações da Polarimetria Existente: A polarimetria baseada em matrizes de Mueller oferece informações microestruturais sem necessidade de marcadores (label-free). No entanto, métodos de decomposição tradicionais (como a decomposição polar de Lu-Chipman ou diferencial) baseiam-se em hipóteses restritivas e um único parâmetro de polarização é insuficiente para caracterizar completamente a natureza de um tecido biológico complexo.

2. Metodologia

O estudo propõe uma abordagem integrada que combina microscopia de matriz de Mueller com técnicas avançadas de aprendizado de máquina não supervisionado.

• Amostras e Preparação: Foram utilizadas 9 lâminas de tecido de cólon humano (4 µm de espessura). As amostras foram coradas com H&E (Hematoxilina e Eosina) para contexto morfológico, e secções seriadas adjacentes foram coradas com MT, G&S e EVG para validação de "ground truth" (verdade fundamental) das fibras.
• Aquisição de Dados: Utilizou-se um microscópio de matriz de Mueller com gerador e analisador de estado de polarização baseados em retardadores rotativos. Foram adquiridas imagens em 10x de ampliação.
• Extração de Parâmetros (HDDP): Em vez de depender de uma única decomposição, o estudo construiu um mapa de dados de alta dimensão (HDDP) combinando parâmetros de múltiplas fontes:
  • Decomposição Polar: Diatenuação ($D$), Retardância ($\delta$), Depolarização ($\Delta$).
  • Decomposição Diferencial: Parâmetros de retardância linear ($\delta_L$), diatenuação linear ($D_L$) e propriedades de depolarização ($a_{22}, a_{33}$).
  • Transformação de Matriz de Mueller (MMT): Parâmetros $A, b, t, \beta$.
  • Totalizando 30 dimensões de entrada por pixel.
• Redução de Dimensionalidade (UMAP): Foi aplicado o algoritmo UMAP (Uniform Manifold Approximation and Projection) para reduzir a dimensionalidade dos dados de 30 dimensões para um espaço 2D, preservando a estrutura topológica local e global dos dados. O UMAP é não supervisionado, identificando clusters intrínsecos sem rótulos prévios.
• Análise Estatística: Os clusters resultantes foram validados comparando-os com as anotações de um patologista nas secções coradas. Foram calculadas métricas estatísticas (média, desvio padrão, entropia, curtose, assimetria) para caracterizar a distribuição dos pixels de cada tipo de fibra.

3. Contribuições Chave

• Abordagem Multimodal Integrada: Superou a dependência de hipóteses restritivas de métodos de decomposição únicos ao fundir parâmetros de múltiplas técnicas de decomposição em um único espaço de características.
• Diferenciação Pixel a Pixel sem Marcadores: Demonstrou a capacidade de distinguir três tipos de fibras (colágeno, reticular e elástica) em uma única lâmina de H&E, eliminando a necessidade de múltiplas lâminas e colorações especializadas para cada tipo de fibra.
• Técnica de "Pseudo-coloração" Computacional: Desenvolveu um método para gerar imagens coloridas digitalmente onde cada tipo de fibra recebe uma cor específica (Azul para colágeno, Verde para reticular, Amarelo para elástico) baseada puramente nas propriedades ópticas polarimétricas e na projeção UMAP.
• Validação Estatística Robusta: Utilizou métricas de divergência (JSD, KL, Wasserstein, KS) para provar que a seleção restrita de parâmetros (30 dimensões) oferece melhor separabilidade e eficiência computacional do que conjuntos de dados excessivamente redundantes.

4. Resultados

• Separação de Clusters: A projeção UMAP resultou em três clusters bem separados, correspondendo às três fibras.
  • Fibras Elásticas: Localizadas na faixa negativa da primeira dimensão UMAP (Dim1 $\approx$ -0.47), apresentaram alta entropia e baixa variância, indicando alta complexidade de textura e consistência intraclasse.
  • Fibras Reticulares: Posicionadas em valores intermediários (Dim1 $\approx$ 2.64).
  • Fibras de Colágeno: Localizadas na faixa positiva alta (Dim1 $\approx$ 6.30), exibindo alta curtose e forte assimetria negativa, indicando uma distribuição não gaussiana com cauda longa.
• Visualização: As imagens de "pseudo-coloração" geradas mostraram uma correspondência visual precisa com as colorações histológicas padrão (MT, G&S, EVG), permitindo a visualização simultânea de diferentes fibras na mesma lâmina.
• Eficiência Computacional: O estudo demonstrou que adicionar mais parâmetros além do conjunto otimizado aumentou o custo computacional em mais de 20 vezes sem melhorar a qualidade da projeção, validando a escolha do conjunto de parâmetros restrito.

5. Significado e Impacto

• Diagnóstico Clínico Potencial: O método oferece uma ferramenta complementar rápida e livre de marcadores para a patologia digital, capaz de fornecer informações microestruturais que as colorações tradicionais não conseguem capturar isoladamente.
• Triagem de Alto Rendimento: Diferente de técnicas de varredura pontual como SHG (Geração de Segunda Harmônica), que são lentas e caras, a microscopia de matriz de Mueller proposta permite a aquisição paralela de pixels em áreas de escala centimétrica, sendo mais viável para triagem de lâminas inteiras.
• Futuro: Embora o estudo seja uma prova de conceito com tamanho de amostra limitado, ele estabelece a base para ensaios clínicos em larga escala que podem padronizar as assinaturas ópticas como marcadores patológicos, auxiliando na detecção precoce de doenças como o câncer colorretal através da análise da remodelação da matriz extracelular.