Proposta de modelo de previsão de estadiamento em pacientes diagnosticados com PDAC
Aluno: Fabiano Santos Conrado Orientador: Prof. Dr. Rafael de Amorim Silva
Dissertac807a771o__final_v0.pdf
Documento PDF (6.0MB)
Documento PDF (6.0MB)
U NIVERSIDADE F EDERAL DE A LAGOAS
I NSTITUTO DE C OMPUTAÇÃO
C OORDENAÇÃO DE P ÓS -G RADUAÇÃO EM I NFORMÁTICA
Dissertação Mestrado
Proposta de modelo de previsão de estadiamento
em pacientes diagnosticados com PDAC
Fabiano Santos Conrado
fsc2@ic.ufal.br
Orientador:
Dr. Rafael de Amorim Silva
Maceió
Agosto 29, 2022
Fabiano Santos Conrado
Proposta de modelo de previsão de estadiamento
em pacientes diagnosticados com PDAC
Dissertação apresentada ao curso de Mestrado em Informática do Programa de Pós Graduação em Informática da Universidade Federal de Alagoas, como requisito para obtenção do grau de Mestre em informática.
Orientador:
Dr. Rafael de Amorim Silva
Maceió
Agosto 29, 2022
Catalogação na Fonte
Universidade Federal de Alagoas
Biblioteca Central
Divisão de Tratamento Técnico
Bibliotecário: Marcelino de Carvalho Freitas Neto – CRB-4 - 1767
C754p
Conrado, Fabiano Santos.
Proposta de modelo de previsão de estadiamento em pacientes
diagnosticados com PDAC / Fabiano Santos Conrado. – 2022.
116 f. : il.
Orientador: Rafael de Amorim Silva.
Dissertação (mestrado em informática) - Universidade Federal de
Alagoas. Instituto de Computação. Maceió, 2022.
Bibliografia: f. 67-72.
Apêndices: f. 73-116.
1. Neoplasias pandreáticas - Diagnóstico. 2. Carcinoma ductal
pancreático. 3. Estadiamento de neoplasias. 4. Biomarcadores. 5.
Aprendizado de máquina. 6. KNN (Algoritmo). 7. Máquinas de vetor de
suporte (Algoritmo). 8. Floresta aleatória (Algoritmo). 9. Neoplasias. 10.
Urina. 11. LYVE1 (Biomarcadores). 12. Litostatina. 13. Fator trefoil-1. 14.
Creatinina. 15. Antígeno CA-19-9. I. Título.
CDU: 004.81:159.953.5:616-006.6
UNIVERSIDADE FEDERAL DE ALAGOAS/UFAL
Programa de Pós-Graduação em Informática – PPGI
Instituto de Computação/UFAL
Campus A. C. Simões BR 104-Norte Km 14 BL 12 Tabuleiro do Martins
Maceió/AL - Brasil CEP: 57.072-970 | Telefone: (082) 3214-1401
Folha de Aprovação
FABIANO SANTOS CONRADO
PROPOSTA DE MODELO DE PREVISÃO DE ESTADIAMENTO EM PACIENTES
DIAGNOSTICADOS COM PDAC
Dissertação submetida ao corpo docente do Programa
de Pós-Graduação em Informática da Universidade
Federal de Alagoas e aprovada em 29 de agosto de
2022.
Banca Examinadora:
________________________________________
Prof. Dr. RAFAEL DE AMORIM SILVA
UFAL – Instituto de Computação
Orientador
__________________________________________
Prof. Dr. BRUNO ALMEIDA PIMENTEL
UFAL – Instituto de Computação
Examinador Interno
________________________________________
Prof. Dr. ALMIR PEREIRA GUIMARÃES
UFAL – Instituto de Computação
Examinador Externo
i
Agradecimentos
Durante esses anos de mestrado, não foi fácil alcançar o fim desta trajetória repleta de
inúmeros percalços, tristezas, incertezas, esperanças, alegrias e muitos outros sentimentos
que as palavras não são suficientes para expressar. Todavia, apesar do processo solitário ao
qual qualquer pesquisador está destinado, existem pessoas que contribuíram de forma direta
ou indireta, dando o suporte necessário para vencer cada obstáculo.
Trilhar esse caminho só foi possível com o apoio, energia e força dessas pessoas, a quem
dedico especialmente este projeto de vida.
A Deus, pela dádiva da vida e por Seu imensurável amor, te amo.
Ao meu orientador, Prof. Dr. Rafael de Amorim Silva, que sempre acreditou em mim e
aceitou ser meu orientador mesmo com um prazo tão curto, agradeço pela orientação pautada em elevado rigor científico, empenho exemplar e saudável exigência, estando dedicado e
presente em cada passo dessa caminhada.
À minha esposa, Roseane Conrado, pelo amor, companheirismo e apoio incondicional.
Agradeço pela enorme compreensão nos momentos em que não pude estar presente, pela
generosidade e alegria que me acompanharam constantemente, contribuindo para que eu
chegasse ao fim dessa caminhada. Sem ela, essa jornada teria sido ainda mais longa.
Ao meu filho, Felip Conrado, pela alegria que trouxe às nossas vidas, um presente iluminado
que sempre me motivou nos momentos mais difíceis. Sua felicidade sempre aqueceu meu
coração. Perdoe-me pelos momentos em que não pude estar presente; vou recompensar cada
um deles.
À minha mãe, Josefa Conrado, por ter escolhido me amar; sem ela, não sei o que seria de
mim. À minha irmã, Maria Conrado, e à minha sobrinha, Camila Beatriz, que com muita alegria,
amor e carinho zelaram pelo bem do meu filho quando foi necessário. Foram fundamentais
nessa caminhada.
Agradeço, em memória, ao meu pai, Cícero Conrado, que tanto me ensinou, e ao meu
sobrinho, Carlos André, que sempre foi uma inspiração de vencedor.
Aos meus coordenadores do Núcleo de Tecnologia da Informação, Reinaldo Cabral e Bruno
César, pela motivação, compreensão e apoio.
Agradeço aos professores Dr. Ig Ibert Bittencourt, Dr. Geiser Chalco Challco, Dr. Alan Pedro
da Silva e Dr. Diego Dermeval Medeiros da Cunha Matos, representando os demais professores
e servidores do PPGI, que, com dedicação e qualidade, contribuíram generosamente no meu
processo de metamorfose, tornando-me um pesquisador.
Agradeço também aos alunos Marcos Bento, Victor Holanda, Ítalo Arruda, Lucas Cezar e
Willian da Silva, pelo companheirismo e incentivo prestados durante essa jornada.
Por fim, agradeço aos professores Dr. Almir Pereira Guimarães Dr. Bruno Almeida Pimentel
pela avaliação deste trabalho.
ii
"Porque a loucura de Deus é mais sábia que a sabedoria humana, e a fraqueza de
Deus é mais forte que a força do homem.”
Tarso, Paulo de.
Resumo
O câncer de pâncreas (CP) é de difícil diagnóstico precoce, uma vez que evolui de forma silenciosa, sem apresentar sinais específicos, e responde mal à maioria dos tratamentos. Noventa
por cento dos casos de CP são do tipo adenocarcinoma ductal pancreático (PDAC), e a sobrevida global em cinco anos após o diagnóstico é de apenas 12,8%. Esse baixo índice leva os
pacientes diagnosticados a questionarem quanto tempo lhes resta de vida. O sistema de classificação TNM para tumores malignos tem sido o método mais comum para avaliar a sobrevida
e apoiar a tomada de decisão médica em relação a intervenções curativas ou paliativas. Entretanto, essa classificação só pode ser realizada após exames de imagem avançados, exigindo
que os pacientes se submetam a novos testes para monitorar alterações no estadiamento. Nem
todos os pacientes dispõem de recursos, disponibilidade física e/ou emocional para reavaliações constantes. Dada a alta taxa de mortalidade e a dificuldade na detecção dessa neoplasia,
diversas pesquisas têm surgido em busca de biomarcadores para um diagnóstico precoce. No
entanto, poucos desses trabalhos focam no desenvolvimento de métodos para prognósticos
prévios. Esta pesquisa propõe e avalia um modelo de prognóstico prévio de estadiamento para
PDAC com base em biomarcadores urinários utilizados no diagnóstico de PDAC, combinados
com idade e sexo. Para isso, foram coletados dados de vários centros de saúde e analisados
utilizando técnicas de Aprendizado de Máquina (Machine Learning, ML). As técnicas adotadas para a classificação prévia dos estadiamentos foram K-Nearest Neighbors (KNN), Support
Vector Machines (SVM) e Random Forest. Resultados encontrados: O classificador KNN alcançou uma acurácia máxima de 0,62, o SVM atingiu uma acurácia de 0,58 e o Random Forest
apresentou os melhores resultados, com acurácia de 0,81. Isso indica que o uso de biomarcadores para a classificação prévia de estadiamento pode auxiliar na tomada de decisão médica
e no monitoramento da progressão da neoplasia.
Palavras-chave: Câncer de Pâncreas, diagnóstico, Adenocarcinoma Ductal Pancreático,
estadiamento, Classificação de Tumores Malignos, biomarcadores, Machine Learning, KNN,
SVM, Random Forest, PDAC, TNM, neoplasia, urina, LYVE1, REG1B, TFF1, creatinina, plasma
CA199, REG1A.
iii
Abstract
Pancreatic cancer (PC) is difficult to diagnose early because it progresses silently, without specific symptoms, and responds poorly to most treatments. Ninety percent of pancreatic cancer
cases are pancreatic ductal adenocarcinoma (PDAC), and the overall five-year survival rate after diagnosis is only 12.8%. This low survival rate leads diagnosed patients to question how
much time they have left. The TNM classification system for malignant tumors has been the
most common method for assessing survival and supporting medical decision-making regarding curative or palliative interventions. However, this classification can only be performed after
advanced imaging exams, requiring patients to undergo new imaging tests to monitor changes
in staging. Not all patients have the resources, physical availability, or emotional capacity for
constant re-evaluation. Given the high mortality rate and difficulty in detecting this neoplasm, several research studies have emerged in search of biomarkers for early diagnosis. However, few
of these studies focus on developing methods for early prognosis. This research proposes and
evaluates a prior staging prognosis model for PDAC based on urinary biomarkers used for PDAC
diagnosis, combined with age and gender. To this end, data from various health centers were
collected and analyzed using Machine Learning (ML) techniques. The adopted techniques for
prior staging classification were K-Nearest Neighbors (KNN), Support Vector Machines (SVM),
and Random Forest. Results: The KNN classifier achieved a maximum accuracy of 0.62, SVM
reached an accuracy of 0.58, and Random Forest produced the best results with an accuracy
of 0.81. This indicates that the use of biomarkers for prior staging classification can assist in
medical decision-making and monitoring the progression of the neoplasm.
Keywords: Pancreatic Cancer, Diagnosis, Pancreatic Ductal Adenocarcinoma, Staging, Malignant Tumor Classification, Biomarkers, Machine Learning, KNN, SVM, Random Forest, PDAC,
TNM, Neoplasm, Urine, LYVE1, REG1B, TFF1, Creatinine, Plasma CA199, REG1A.
iv
Lista de Figuras
1.1 Localização do pâncreas e visualização das células endócrinas e exócrinas, imagem traduzida (Society, 2022) . . . . . . . . . . . . . . . . . . . . . . . . . . .
2
1.2 Principais divisões do pâncreas: Cabeça, Corpo e Cauda, (dos Santos, 2022)
.
3
2.1 Estrutura anatômica do pâncreas. . . . . . . . . . . . . . . . . . . . . . . . . .
7
2.2 Esfincter de Oddi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
8
2.3 Ilhota pancreática quando o tecido pancreático é corado e visto ao microscópio .
9
2.4 Processo de regulação da insulina . . . . . . . . . . . . . . . . . . . . . . . . .
12
2.5 Ilustração dos estágios T e N atuais: Critérios baseados em tamanho para
estágios T com subestadiamento para T1 nas categorias T1a, T1b e T1c. O
estágio N é baseado em diferenças numéricas nos linfonodos metastáticos , com
3 linfonodos como ponto de corte. . . . . . . . . . . . . . . . . . . . . . . . . .
18
4.1 Fluxo de separação da base de dados . . . . . . . . . . . . . . . . . . . . . . .
29
5.1 Aprendendo a classificar imagens de cães versus gatos. A, Suposição inicial do
modelo. B, A estimativa refinada após medir seu desempenho no conjunto de
referência (Kenner et al., 2021). . . . . . . . . . . . . . . . . . . . . . . . . . .
32
5.2 Exemplo de classificação KNN (The scikit-learn developers, 2022). . . . . . . . .
32
5.3 Exemplo de classificação SVM (The scikit-learn developers, 2022).
. . . . . . .
33
5.4 Exemplo de classificação SVM (The scikit-learn developers, 2022).
. . . . . . .
34
5.5 Detalhamento das configurações do computador (notebook) utilizado . . . . . .
35
6.1 Os estágios do TNM no dataset está apresenta um grande número de classificadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
42
6.2 Gráfico das classes após agrupamento para classificação via algoritmos de ML .
42
v
LISTA DE FIGURAS
vi
6.3 O Gráfico das classes após o uso da SMOTE, técnica de sobreamostragem onde
as amostras síntetizadas são geradas para a classe de sobreamostragem . . . .
43
6.4 Historiograma do CA 19-9 . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
43
6.5 Historiograma da creatinina . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
6.6 Historiograma do LYVE1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
44
6.7 Historiograma do REG1B
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
6.8 Historiorama do TFF1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
45
6.9 Historiorama do REG1A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
46
6.10 Matriz de dispersão (Scatter Matrix) com 6 dimensões para visualizarmos as tendências nos dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
47
6.11 Matriz de confusão do Cenário C1-01, com acurácia de 0.35
49
. . . . . . . . . .
6.12 Relatório de classificação do Cenário C1-01, com acurácia de 0.35
. . . . . . .
49
6.13 Matriz de confusão do Cenário C1-02, com acurácia de 0.475 . . . . . . . . . .
50
6.14 Matriz de confusão do Cenário C1-03, com acurácia de 0.55
. . . . . . . . . .
51
6.15 Matriz de confusão do Cenário C2-01, com acurácia de 0.62
. . . . . . . . . .
53
6.16 Matriz de confusão do Cenário C2-02, com acurácia de 0.75
. . . . . . . . . .
54
6.17 Matriz de confusão do Cenário C2-03, com acurácia de 0.52
. . . . . . . . . .
55
6.18 Matriz de confusão do Cenário C3-01, com acurácia de 0.425 . . . . . . . . . .
56
6.19 Matriz de confusão do Cenário C3-02, com acurácia de 0.57
. . . . . . . . . .
57
6.20 Matriz de confusão do Cenário C3-03, com acurácia de 0.57
. . . . . . . . . .
58
6.21 Matriz de confusão do Cenário C4-01, com acurácia de 0.61
. . . . . . . . . .
59
6.22 Matriz de confusão do Cenário C4-02, com acurácia de 0.81
. . . . . . . . . .
60
6.23 Matriz de confusão do Cenário C4-03, com acurácia de 0.58
. . . . . . . . . .
61
Lista de Tabelas
2.1 Resumo Esquemático: CA = Indica o eixo celíaco (Celiac Axis), SMA = Indica
artéria mesentérica superior( superior mesenteric artery ), CHA = Indica artéria
hepática comum (common hepatic artery . . . . . . . . . . . . . . . . . . . . .
18
3.1 Fonte: Autor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
3.2 Comparação entre o estudo de Lesko et al. (2022) e a dissertação atual . . . . .
26
3.3 Comparação entre o estudo de Debernardi et al. (2020) e a dissertação atual . .
26
4.1 Hipóteses. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
6.1 Relatório de classificação do Cenário C1-01, com acurácia de 0.35
. . . . . . .
50
6.2 Relatório de classificação do Cenário C1-02, com acurácia de 0.475 . . . . . . .
51
6.3 Relatório de classificação do Cenário C1-03, com acurácia de 0.55
. . . . . . .
52
6.4 Relatório de classificação do Cenário C2-01, com acurácia de 0.62
. . . . . . .
53
6.5 Relatório de classificação do Cenário C2-02, com acurácia de 0.75
. . . . . . .
54
6.6 Relatório de classificação do Cenário C2-03, com acurácia de 0.52
. . . . . . .
55
6.7 Relatório de classificação do Cenário C3-01, com acurácia de 0.425
. . . . . .
56
6.8 Relatório de classificação do Cenário C3-02, com acurácia de 0.57
. . . . . . .
57
6.9 Relatório de classificação do Cenário C3-03, com acurácia de 0.57
. . . . . . .
58
6.10 Relatório de classificação do Cenário C4-01, com acurácia de 0.61
. . . . . . .
59
6.11 Relatório de classificação do Cenário C4-02, com acurácia de 0.81
. . . . . . .
60
6.12 Relatório de classificação do Cenário C4-03, com acurácia de 0.58
. . . . . . .
61
vii
Sumário
1
2
Lista de Figuras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
vi
Lista de Tabelas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
vii
Introdução
1
1.1 Contextualização . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
1
1.2 Problemática . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3
1.3 Proposta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
4
1.4 Estrutura de Trabalho
4
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
Fundamentação Teórica
6
2.1 Pâncreas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
2.1.1 Anatomia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
6
2.1.2 Função . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
9
2.1.3 Doenças Pancreáticas . . . . . . . . . . . . . . . . . . . . . . . . . . .
13
2.2 Classificação de Tumores Malignos - TNM
. . . . . . . . . . . . . . . . . . . .
14
2.2.1 Os Princípios do Sistema TNM . . . . . . . . . . . . . . . . . . . . . . .
15
2.2.2 Estágios tradicionais . . . . . . . . . . . . . . . . . . . . . . . . . . . .
16
2.2.3 Regras Gerais do Sistema TNM . . . . . . . . . . . . . . . . . . . . . .
16
2.2.4 Regras do Sistema TNM para o câncer de pâncreas
. . . . . . . . . . .
18
2.3 Biomarcadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
18
2.3.1 Biomarcadores x PDAC . . . . . . . . . . . . . . . . . . . . . . . . . . .
19
viii
SUMÁRIO
ix
3
Relato do Problema
23
3.1 Definição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
23
3.2 Trabalhos Relacionados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
3.2.1 Seleção dos artigos . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
3.2.2 Lista de Trabalhos
. . . . . . . . . . . . . . . . . . . . . . . . . . . . .
25
3.3 Impacto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
27
Proposta
28
4.1 Fundamentação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
28
4.1.1 Fluxo de normalização dos dados . . . . . . . . . . . . . . . . . . . . .
29
4.2 Hipóteses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
30
Experimentação
31
5.1 Ferramentas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
31
5.1.1 O que é Machine Learning? . . . . . . . . . . . . . . . . . . . . . . . .
31
5.1.2 Algoritmo KNN . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
32
5.1.3 Algoritmo Floresta Aleatória (Random Forest) . . . . . . . . . . . . . . .
33
5.1.4 Máquinas de Vetor de Suporte (Support-Vector Machine - SVM) . . . . .
34
5.2 Ferramentas Utilizadas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
5.2.1 Equipamentos: . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
34
5.2.2 Linguagem de programação:
. . . . . . . . . . . . . . . . . . . . . . .
35
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
36
5.3.1 Fase I Aquisição de Dados . . . . . . . . . . . . . . . . . . . . . . . . .
36
5.3.2 Fase II: Organização dos Dados . . . . . . . . . . . . . . . . . . . . . .
37
5.3.3 Fase III: Divisão dos Cenários . . . . . . . . . . . . . . . . . . . . . . .
37
5.3.4 Fase IV: Aplicação do algoritmos de ML . . . . . . . . . . . . . . . . . .
37
5.4 Parâmetros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
38
4
5
5.3 Metodologia
SUMÁRIO
x
6
40
Resultados
6.1 Métricas
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
40
6.2 Descrição . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
41
6.3 Análise . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
6.3.1 Cenários . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
48
6.3.2 Cenário 1: Biomarcadores urinários sem (idade, sexo) e sem balanceamento 48
6.3.3 Cenário 2: Biomarcadores urinários sem (idade, sexo) e com balanceamento de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
52
6.3.4 Cenário 3: Biomarcadores urinários com (idade, sexo) e sem balanceamento 55
6.3.5 Cenário 4: Biomarcadores urinários com (idade, sexo) e com balanceamento de dados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
7
8
58
Discussão
62
7.1 Implicações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
62
7.1.1 Desbalanceamento de Dados . . . . . . . . . . . . . . . . . . . . . . .
62
7.1.2 Balanceamento de dados
. . . . . . . . . . . . . . . . . . . . . . . . .
63
7.1.3 O uso dos biomarcadores somados a idade e sexo dos pacientes tem
alguma diferença no uso exclusivos dos biomarcadores? . . . . . . . . .
63
Conclusão
64
8.1 Recapitulação . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
64
8.2 Contribuições . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
8.3 Limitações . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
65
8.4 Trabalhos Futuros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
8.5 Conclusão . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
66
Referências
68
9
74
Apêndices
SUMÁRIO
9.1 Apêndices A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
xi
74
1
Introdução
1.1
Contextualização
Nos seres humanos, o Pâncreas é um órgão de aproximadamente 12 a 25cm (Sulochana and
Sivakami, 2012), localizado no abdômen, atrás do estômago, entre o duodeno e o baço. Apesar
de seu pequeno tamanho, o pâncreas é ricamente irrigado por artérias e veias. Ele é uma
glândula mista, possuindo duas funções: (i) Uma endócrina cuja principal função é a regulação
da glicose no sangue, produzindo insulina para baixar os níveis de glicose e glucagon para
subir o nível da glicose (i.e. o pâncreas está estritamente ligado a Diabetes Mellitus (DM)); (ii)
A função exócrina do pâncreas é responsável na produção das enzimas: Lipase (que quebra
as gorduras), a protease (que quebra as proteínas) e a amilase (que quebra os carboidratos),
auxiliando no processo de ingestão de alimentos e transformando-os em nutrientes, ver Figura
1.1.
Dado o tamanho, localização e funções do pâncreas as doenças associadas a ele são de
percepção tardia, sendo possível conviver anos com elas até o surgimento de sintomas mais
graves, dentre os principais problemas pancreáticos o Câncer de Pâncreas (CP) se destaca,
pois, embora raro quando ocorre, é difícil diagnóstico prévio, evolui de maneira silenciosa e sem
apresentar sinais específicos. Além disso, tem uma baixa resposta a maioria dos tratamentos,
sua taxa de sobrevida global em 5 anos é de 12.8% (Cancer Institute, 2022) após serem diagnosticados, tendo uma maior sobrevida para aqueles pacientes que não apresentam doença
metastática. Segundo organização mundial da saúde somente em 2020, surgiram 495.773
(quatrocentos e noventa e cinco mil, setecentos e setenta e três) novos casos e 466.003 (qua1
Introdução
2
Figura 1.1: Localização do pâncreas e visualização das células endócrinas e exócrinas, imagem
traduzida (Society, 2022)
trocentos e sessenta e seis mil e três) casos de mortalidade, de câncer de pâncreas em todo
mundo, (World Cancer Research, 2022).
As tendências de incidência e mortalidade por CP variam consideravelmente no mundo.
Uma causa conhecida de câncer de pâncreas é o tabagismo. Este fator de risco provavelmente
explica algumas das variações internacionais e diferenças de gênero (A incidência é mais significativa no sexo masculino). A taxa de sobrevida varia pouco entre países desenvolvidos e em
desenvolvimento. Até o momento, as causas do CP ainda são insuficientemente conhecidas,
embora alguns fatores de risco tenham sido identificados além do tabagismo, tais como: obesidade, genética, diabetes, dieta, sedentarismo. Não há recomendações atuais de rastreamento
para câncer de pâncreas, portanto, a prevenção primária é de extrema importância. (Kenner
et al., 2021). O CP é raro antes dos 30 anos, tornando-se mais comum a partir dos 60 anos.
Segundo a União Internacional para o Controle do Câncer (UICC), os casos de câncer de pâncreas aumentam com o avanço da idade: de 10/100.000 habitantes entre 40 e 50 anos para
116/100.000 habitantes entre 80 e 85 anos (INCA, 2022), ou seja, embora o CP tenha uma
causa variada, o grupo de maior risco são os idosos.
Introdução
3
Figura 1.2: Principais divisões do pâncreas: Cabeça, Corpo e Cauda, (dos Santos, 2022)
1.2
Problemática
As previsões prognósticas e as estratégias de tratamento para pacientes com CP são baseadas no sistema de estadiamento TNM(Classificação de Tumores Malignos) padrão globalmente
reconhecido para classificar a extensão de disseminação do câncer, sendo desenvolvido e mantido pela União Internacional para o Controle do Câncer (UICC) sendo também utilizado pela
American Joint Committee on Cancer (AJCC) e pela Federação Internacional de Ginecologia e
Obstetrícia (INCA, 2022). Esse sistema avalia o câncer pela extensão anatômica da doença com
base na profundidade da invasão, número de linfonodos em metástase e status de metástase à
distância (denominado estágio). Este estágio vem se tornando cada vez mais um componente
de importância de vigilância e controle do câncer, logo, um ponto final para a avaliação da triagem populacional, sendo amplamente utilizado para predizer a sobrevida de pacientes com
câncer (UICC).
Todavia, a sobrevida pode ser diferente em pacientes com o mesmo estágio TNM. De fato,
outros fatores do paciente como biomarcadores de câncer específicos, idade, raça ou estado
civil também podem estar associados a sobrevida em vários tipos de câncer. Portanto, é necessário um sistema de estadiamento que combine às características do tumor e o status do
paciente, visando uma maior acurácia ou ainda o uso desses dados clínicos para um prévio
Introdução
4
estadiamento, tendo em vista, o longo processo para se obter o TNM inicial e respectivo acompanhamento. Com o avanço do poder computacional e do aprimoramento das técnicas de
Inteligência Artificial (IA), em especifico da aprendizagem de Máquina (Machine Learning (ML)),
o diagnóstico apoiado por ML promete revolucionar a saúde(Richens et al., 2020), fazendo uso
do grande volume de dados disponíveis do paciente visando fornecer diagnósticos precisos e
personalizados.
1.3
Proposta
Esta pesquisa propõe e avalia um modelo para predição do estadiamento em pacientes
diagnosticados com câncer de adenocarcinoma ductal pancreático (PDAC), principal tipo
de câncer de pâncreas, com base na classificação dos graus do Score do TNM como referencia.
Este modelo considera informações como idade, sexo e os biomarcadores que vêm sendo
estudados para diagnóstico para predizer o estadiamento dos pacientes. Consequentemente,
gera-se um estimador prévio baseado em exames não invasivos, não nocivos e de baixo custo.
O modelo visa servir de apoio a decisão médica.
Para isso serão utilizadas a técnica de ML: (I) K-ésimo Vizinho mais Próximo (k-nearest
neighbors algorithm – KNN), um método de aprendizado supervisionado não paramétrico que
utiliza a correlação com seus vizinhos mais próximos, sendo utilizado tanto para classificação
como para regressão de dados, com inúmeros usos aplicados no prognostico de doença (Ow
and Kuznetsov, 2016; Parry et al., 2010); (II) Floresta Aleatória (Random Forest), um método de
aprendizado conjunto para classificação e regressão que opera construindo árvores de decisão
em tempo de treinamento (Breiman, 2001); e (III) Máquinas de Vetor de Suporte (Support-Vector
Machine - SVM), um método de aprendizado que utiliza um conjunto de modelos matemáticos
de aprendizado supervisionado com algoritmos de aprendizado associados que analisam dados
para classificação e análise de regressão (Cortes and Vapnik, 1995).
1.4
Estrutura de Trabalho
O restante desta dissertação está organizado da seguinte forma: Capítulo 2 apresenta a fundamentação teórica necessária para a compreensão deste trabalho. O Capítulo 3 descreve a
problemática a ser resolvida relacionada ao prognóstico de pacientes com câncer de pâncreas.
O Capítulo 4 apresenta a relevância e descrição do modelo proposto neste trabalho. O Capítulo
Introdução
5
5 define os aspectos utilizados para a elaboração do experimento. O Capítulo 6 apresenta e
discute os resultados obtidos no experimento. O capítulo 7 apresenta as considerações finais.
2
Fundamentação Teórica
O objetivo deste capítulo é apresentar a fundamentação teórica referente ao foco deste trabalho, fazendo uma pequena introdução sobre conceitos importantes da área que auxiliam na
compreensão da pesquisa desenvolvida.
2.1
Pâncreas
O pâncreas é um órgão que faz parte do sistema digestivo e sistema endócrino dos vertebrados, sendo uma glândula mista ou heterócrina que atua de forma exócrina (99%) e endócrina
(1%). Sua função exócrina é vinculada à secreção de suco pancreático, que contém enzimas
digestivas. Já sua função endócrina atua na produção de diversos hormônios importantes, tais
como: insulina, glucagon, amilina e somatostatina. Este órgão é um produtor de enzimas e
proteínas que aumenta a rapidez nas transformações químicas.
2.1.1
Anatomia
O pâncreas mede entre 12 e 25 cm de comprimento e entre 3 e 5 cm de altura (Sulochana and
Sivakami, 2012), com peso entre 60 g e 170 g. É um órgão retroperitoneal, lobular e dividido
comumente em três partes: cabeça (proximal), corpo e cauda (distal), conforme ilustrado na
Figura 1.2. A primeira parte encontra-se junto ao duodeno e a última parte está em contato com
o hilo esplênico e a flexura cólica esquerda, como mostrado na Figura 2.1.
6
Fundamentação
7
O canal de Wirsung é um ducto excretório que acompanha toda a extensão do pâncreas.
Ele se conecta ao duodeno através da ampola de Vater, onde se junta ao ducto biliar. O esfíncter de Oddi, juntamente com a ampola de Vater, regula a secreção pancreática no trato
gastrointestinal, como mostrado na Figura 2.2.
Artérias e veias
Figura 2.1: Estrutura anatômica do pâncreas.
O pâncreas é suprido pelas artérias pancreaticoduodenais: A artéria mesentérica superior
que origina as artérias pancreaticoduodenais inferiores, a artéria gastroduodenal que origina as
artérias pancreaticoduodenais superiores, a artéria esplênica que origina as artérias pancreáticas.
A drenagem venosa é feita através das veias pancreáticas que são tributárias das veias
esplênica e mesentérica superior, no entanto a maioria delas terminam na veia esplênica. A
veia porta hepática é formada pela união da veia mesentérica superior e veia esplênica posteriormente ao colo do pâncreas. Assim, o fígado se torna exposto a altas concentrações dos
hormônios pancreáticos, sendo o principal órgão-alvo dos seus efeitos fisiológicos. Geralmente
a veia mesentérica inferior se une à veia esplênica atrás do pâncreas.
Microanatomia
A maioria do tecido pancreático tem um papel digestivo (cerca de 95%). As células com
Fundamentação
8
Figura 2.2: Esfincter de Oddi
esse papel formam aglomerados ao redor de pequenos ductos e estão dispostas em lobos que
possuem paredes fibrosas finas. As células de cada ácino secretam enzimas digestivas inativas,
chamadas zimogênios, nos pequenos ductos intercalados ao seu redor (Medicine, 2021a). Em
cada ácino, as células são em forma de pirâmide e situadas ao redor dos ductos intercalares,
com os núcleos apoiados na membrana basal, um grande retículo endoplasmático e vários
grânulos de zimogênio visíveis no citoplasma (Jamieson, 2021). Os ductos intercalados drenam
para ductos intralobulares maiores dentro do lóbulo e, finalmente, para ductos interlobulares. Os
dutos são revestidos por uma única camada de células em forma de coluna. Há mais de uma
camada de células à medida que o diâmetro dos ductos aumenta (Brelje and Sorenson, 2021).
Os tecidos com papel endócrino dentro do pâncreas existem como aglomerados de células
chamadas ilhotas pancreáticas (também conhecidas como: ilhotas de Langerhans ) constituindo
cerca de 1-2% essas ilhotas desempenham um papel crucial na regulação da glicose no sangue,
por meio da secreção de hormônios e são distribuídas por todo o pâncreas (Britannica, 2021).
As ilhotas pancreáticas contêm células alfa(a), células beta(b) e células delta(d), cada uma
das quais libera um hormônio diferente. Estas células têm posições características, com as
células alfa (secretoras de glucagon) tendendo a situar-se na periferia da ilhota, e as células
beta (secretoras de insulina ) mais numerosas e encontradas em toda a ilhota (Learning, 2021).
Células enterocromafins também estão espalhadas por todas as ilhotas.
Fundamentação
9
Figura 2.3: Ilhota pancreática quando o tecido pancreático é corado e visto ao microscópio
2.1.2
Função
O pâncreas desempenha um papel fundamental tanto no sistema endócrino quanto no exócrino.
Ele é responsável pela regulação do açúcar no sangue e pelo metabolismo geral do corpo.
Essa regulação ocorre através da secreção de dois hormônios principais: insulina e glucagon.
A insulina, secretada pelas células beta das ilhotas pancreáticas, reduz os níveis de glicose no
sangue, promovendo a absorção de glicose pelas células. O glucagon, produzido pelas células
alfa, tem o efeito oposto, aumentando os níveis de glicose ao estimular a liberação de glicose
armazenada no fígado (Medicine, 2021b; Manual, 2021).
Além dessas funções endócrinas, o pâncreas também atua no processo digestivo através
da secreção de suco pancreático, que contém enzimas digestivas como amilase, lipase e proteases. Essas enzimas são fundamentais para a digestão de carboidratos, lipídios e proteínas
no intestino delgado (Manual, 2021; Pancreapedia, 2021). O suco pancreático também contém bicarbonato, que neutraliza o ácido gástrico no duodeno, protegendo as paredes intestinais
(Manual, 2021).
Outro componente importante do pâncreas é a secreção de polipeptídeo pancreático (PP) e
peptídeo intestinal vasoativo (VIP), ambos influenciando a motilidade intestinal e a secreção de
fluidos no trato gastrointestinal (Pancreapedia, 2021).
As células enterocromafins estão presentes no pâncreas, embora não sejam a principal
Fundamentação
10
fonte do hormônio motilina, que é geralmente secretado por células do intestino delgado. No
entanto, essas células secretam serotonina e substância P, que são importantes para a regulação da motilidade intestinal e outras funções hormonais (Pancreapedia, 2021).
Pâncreas Exócrino
O pâncreas desempenha um papel vital no sistema digestivo, secretando um fluido que
contém enzimas digestivas no duodeno, a primeira parte do intestino delgado que recebe o
conteúdo gástrico do estômago. Essas enzimas são essenciais para a digestão de carboidratos,
proteínas e lipídios (gorduras). Esse papel é denominado função "exócrina"do pâncreas. As
células responsáveis por essa função estão organizadas em aglomerados chamados ácinos.
As secreções produzidas nos ácinos se acumulam nos ductos intralobulares, que drenam para
o ducto pancreático principal, o qual se conecta diretamente ao duodeno. Aproximadamente
1,5 a 3 litros de fluido pancreático são secretados diariamente Brock et al. (2003).
As células de cada ácino são preenchidas com grânulos que contêm enzimas digestivas.
Essas enzimas são secretadas em sua forma inativa, denominadas zimogênios ou proenzimas.
Quando liberadas no duodeno, são ativadas pela enzima enteropeptidase (anteriormente conhecida como enteroquinase), presente no revestimento intestinal. As proenzimas são clivadas,
iniciando uma cascata de ativação enzimática que resulta na digestão eficaz dos nutrientes.
(Boron and Boulpaep, 2009).
• As enzimas que quebram as proteínas começam com a ativação do tripsinogênio em
tripsina. A tripsina livre então cliva o restante do tripsinogênio, bem como o quimotripsinogênio em sua forma ativa quimotripsina;
• As enzimas secretadas envolvidas na digestão de gorduras incluem lipase, fosfolipase
A2, lisofosfolipase e colesterol esterase;
• As enzimas que quebram o amido e outros carboidratos incluem amilase.
Essas enzimas são secretadas em um fluido alcalino, rico em bicarbonato. O bicarbonato
contribui para manter o pH alcalino no fluido, condição em que a maioria das enzimas digestivas atua de forma mais eficiente. Além disso, o bicarbonato ajuda a neutralizar os ácidos
gástricos que entram no duodeno, protegendo o intestino delgado e permitindo a digestão adequada (Guyton and Hall, 2016).A secreção pancreática é influenciada por hormônios, incluindo
secretina, colecistocinina e peptídeo intestinal vasoativo (VIP), bem como pela estimulação da
acetilcolina liberada pelo nervo vago. A secretina é liberada pelas células do revestimento do
Fundamentação
11
duodeno em resposta à presença de ácido gástrico. Juntamente com o VIP, ela aumenta a
secreção de enzimas e bicarbonato. A colecistocinina é liberada pelas células Ito do revestimento do duodeno e jejuno, principalmente em resposta aos ácidos graxos de cadeia longa,
e amplifica os efeitos da secretina (Guyton and Hall, 2016). Em nível celular, o bicarbonato é
secretado pelas células centroacinares e ductais por meio de um cotransportador de sódio e
bicarbonato, que atua devido à despolarização da membrana causada pelo regulador de condutância transmembrana da fibrose cística (CFTR). A secretina e o VIP aumentam a abertura
do CFTR, resultando em maior despolarização da membrana e, consequentemente, em mais
secreção de bicarbonato (Boron and Boulpaep, 2009; Guyton and Hall, 2016; Brock et al., 2003).
Uma variedade de mecanismos atua para garantir que a ação digestiva do pâncreas não
resulte na digestão do próprio tecido pancreático. Esses mecanismos incluem a secreção de
enzimas inativas (zimogênios), a liberação da enzima inibidora da tripsina, que neutraliza a
tripsina ativa, as mudanças de pH associadas à secreção de bicarbonato, que promovem a
digestão apenas quando o pâncreas é estimulado, e o fato de que o baixo teor de cálcio intracelular contribui para a inativação da tripsina (Leung, 2010; Gorelick and Jamieson, 2012).
Pâncreas Endócrino
As células do pâncreas desempenham um papel crucial na manutenção da homeostase
glicêmica. As células que regulam os níveis de glicose no sangue estão localizadas dentro das
ilhotas pancreáticas, que estão distribuídas por todo o pâncreas. Quando os níveis de glicose
no sangue estão baixos, as células alfa secretam glucagon, que aumenta a glicose sanguínea.
Quando os níveis de glicose no sangue estão elevados, as células beta secretam insulina, que
promove a diminuição da glicose no sangue. As células delta das ilhotas também secretam
somatostatina, a qual inibe a liberação de insulina e glucagon (James et al., 2018).
O glucagon atua para aumentar os níveis de glicose no sangue, promovendo a gliconeogênese (produção de glicose) e a glicogenólise (quebra do glicogênio em glicose) no fígado.
Além disso, o glucagon diminui a captação de glicose pelas células adiposas e musculares. A
liberação de glucagon é estimulada por baixos níveis de glicose ou insulina no sangue, bem
como durante o exercício (Müller et al., 2017).A insulina atua para diminuir os níveis de glicose
no sangue, facilitando sua captação pelas células, especialmente no músculo esquelético, e
promovendo seu uso na síntese de proteínas, lipídios e carboidratos. A insulina é inicialmente
sintetizada como um precursor chamado pré-pró-insulina. Esta é convertida em pró-insulina e,
Fundamentação
12
Figura 2.4: Processo de regulação da insulina
em seguida, clivada pelo peptídeo C para formar a insulina ativa, que é armazenada em grânulos nas células beta. A glicose é transportada para as células beta e metabolizada, o que
resulta na despolarização da membrana celular, estimulando a liberação de insulina (Ruiz et al.,
2015).
O principal fator que influencia a secreção de insulina e glucagon são os níveis de glicose
no plasma sanguíneo. Baixos níveis de glicose no sangue estimulam a liberação de glucagon,
enquanto altos níveis estimulam a secreção de insulina. Outros fatores também influenciam
a secreção desses hormônios. Alguns aminoácidos , que são subprodutos da digestão de
proteínas , estimulam a liberação de insulina e glucagon. A somatostatina atua como um inibidor da insulina e do glucagon. O sistema nervoso autônomo também desempenha um papel.
A ativação dos receptores beta-2 do sistema nervoso simpático, por meio das catecolaminas
secretadas, estimula a secreção de insulina e glucagon, enquanto a ativação dos receptores
Alfa-1 inibe a secreção. Os receptores M3 do sistema nervoso parassimpático agem quando
estimulados pelo nervo vago direito para estimular a liberação de insulina das células beta.
Fundamentação
2.1.3
13
Doenças Pancreáticas
O câncer de pâncreas
Surge quando as células do pâncreas começam a se multiplicar descontroladamente formando
uma massa. Essas células tem a capacidade de invadir outras partes do corpo afetando seu
funcionamento, se não tratável pode levar a morte.
Câncer de Adenocarcinoma Ductal Pancreático (PDAC)
O Câncer pancreático pode ser gerado tanto nas áreas responsáveis pelas duas principais funções do pâncreas: (i) região endócrina, (ii) região exócrina. Sendo a parte exócrina responsável
95% dos cânceres de pâncreas e o Adenocarcionama ductal pancreático (PDAC) sendo responsável por 90% do total, os cânceres da região endócrina costumam ter um prognóstico melhor.
Existem várias categorias de cânceres, carcinoma são o tipo mais comum de câncer. Eles são
formados por células epiteliais, que são as células que cobrem as superfícies internas e externas do corpo. Existem muitos tipos de células epiteliais, que muitas vezes têm uma forma
de coluna quando vistas ao microscópio. Os carcinomas que começam em diferentes tipos de
células epiteliais têm nomes específicos:
• O adenocarcinoma é um câncer que se forma nas células epiteliais que produzem fluidos
ou muco. Tecidos com esse tipo de célula epitelial são às vezes chamados de tecidos
glandulares. A maioria dos cânceres de mama, cólon e próstata são adenocarcinomas.
• O carcinoma basocelular é um câncer que começa na camada inferior ou basal (base)
da epiderme, que é a camada externa da pele de uma pessoa.
• O carcinoma de células escamosas é um câncer que se forma em células escamosas,
que são células epiteliais que se encontram logo abaixo da superfície externa da pele.
As células escamosas também revestem muitos outros órgãos, incluindo o estômago,
intestinos, pulmões, bexiga e rins. As células escamosas parecem planas, como escamas
de peixe, quando vistas ao microscópio. Os carcinomas de células escamosas são às
vezes chamados de carcinomas epidermoides.
• O carcinoma de células de transição é um câncer que se forma em um tipo de tecido epitelial chamado epitélio de transição ou urotélio. Este tecido, que é composto de
muitas camadas de células epiteliais que podem ficar maiores e menores, é encontrado
nos revestimentos da bexiga, ureteres e parte dos rins (pelve renal) e alguns outros ór-
Fundamentação
14
gãos. Alguns cânceres da bexiga, ureteres e rins são carcinomas de células transicionais
(Soldan, 2017).
O PDAC se forma no ducto pancreático, sendo o tipo de câncer com maior letalidade. Os
sinais e sintomas da forma mais comum podem incluir pele amarelada, dor abdominal ou nas
costas, perda de peso inexplicável, fezes claras, urina escura e perda de apetite. Geralmente,
nenhum sintoma é observado nos estágios iniciais da doença, e os sintomas que são específicos o suficiente para sugerir câncer de pâncreas geralmente não se desenvolvem até que a
doença atinja um estágio avançado. No momento do diagnóstico, o câncer de pâncreas já se
espalhou para outras partes do corpo (BW and CP, 2014).
2.2
Classificação de Tumores Malignos - TNM
A Classificação TNM de Tumores Malignos (TNM) é um padrão globalmente reconhecido para
classificar a extensão da disseminação do câncer. É um sistema de classificação da extensão
anatômica dos cânceres tumorais. Ganhou ampla aceitação internacional para muitos cânceres
de tumores sólidos, mas não é aplicável à leucemia e aos tumores do sistema nervoso central .
Os tumores mais comuns têm sua própria classificação TNM. Às vezes também descrito como
o sistema AJCC.
O TNM foi desenvolvido e é mantido pela União Internacional para o Controle do Câncer
(UICC). Também é usado pelo American Joint Committee on Cancer (AJCC) e pela Federação
Internacional de Ginecologia e Obstetrícia (FIGO). Em 1987, os sistemas de encenação UICC
e AJCC foram unificados em um único sistema de encenação TNM. TNM é um sistema de
notação que descreve o estágio de um câncer, que se origina de um tumor sólido, usando
códigos alfanuméricos :
• T descreve o tamanho do tumor original (primário) e se ele invadiu o tecido próximo;
• N descreve os linfonodos próximos (regionais) que estão envolvidos;
• M descreve metástase à distância (disseminação do câncer de uma parte do corpo para
outra).
O sistema de estadiamento TNM para todos os tumores sólidos foi idealizado por Pierre Denoix
entre 1943 e 1952, usando o tamanho e extensão do tumor primário, seu envolvimento linfático
e a presença de metástases para classificar a progressão do câncer. (Asare et al., 2019)
Fundamentação
2.2.1
15
Os Princípios do Sistema TNM
A prática de se dividir os casos de câncer em grupos, de acordo com os chamados estádios,
surgiu do fato de que as taxas de sobrevida eram maiores para os casos nos quais a doença
era localizada do que para aqueles nos quais a doença tinha se estendido além do órgão de
origem. Esses grupos eram frequentemente referidos como casos iniciais e casos avançados,
inferindo alguma progressão regular com o passar do tempo. Na verdade, o estádio da doença,
na ocasião do diagnóstico, pode ser um reflexo não somente da taxa de crescimento e extensão
da neoplasia, mas também do tipo de tumor e da relação tumor-hospedeiro. O estadiamento
do câncer é consagrado por tradição, e para o propósito de análise de grupos de pacientes
é frequentemente necessário usar tal método. A UICC acredita que é importante alcançar a
concordância no registro da informação precisa da extensão da doença para cada localização
anatômica, porque a descrição clínica precisa e a classificação histopatológica das neoplasias
malignas podem interessar a um número de objetivos correlatos, a saber:
1. Ajudar o médico no planejamento do tratamento;
2. Dar alguma indicação do prognóstico;
3. Ajudar na avaliação dos resultados de tratamento;
4. Facilitar a troca de informações entre os centros de tratamento;
5. Contribuir para a pesquisa contínua sobre o câncer humano.
O principal propósito a ser conseguido pela concordância internacional na classificação dos
casos de câncer pela extensão da doença é fornecer um método que permita comparações entre experiências clínicas sem ambiguidade. Existem muitas bases ou eixos de classificação dos
tumores, por exemplo: a localização anatômica e a extensão clínica e patológica da doença, a
duração dos sinais ou sintomas, o gênero e idade do paciente, o tipo e grau histológico. Todas
essas bases ou eixos representam variáveis que, sabidamente, têm uma influência na evolução
da doença. O sistema TNM trabalha prioritariamente com a classificação por extensão anatômica da doença, determinada clínica e histopatologicamente (quando possível). A primeira
tarefa do clínico é fazer uma avaliação do prognóstico e decidir qual o tratamento mais efetivo a
ser realizado. Este julgamento e esta decisão requer, entre outras coisas, uma avaliação objetiva da extensão anatômica da doença. Isto feito, a tendência é divergir do estadiamento, quanto
a uma descrição significativa, com ou sem alguma forma de sumarização. Para conseguir os
objetivos estabelecidos, um sistema de classificação necessita que: 1. Os princípios básicos
sejam aplicáveis a todas as localizações anatômicas, independentemente do tratamento; e 2.
Possa ser complementado, mais tarde, por informações que se tornem disponíveis pela histopatologia e/ou cirurgia.
Fundamentação
2.2.2
16
Estágios tradicionais
Os estágios (ou estádios) são numerados de 0 a IV de acordo com a facilidade de remover em
cirurgia com sucesso:
• Estágio 0: Carcinoma in situ, ou seja, restritos a área inicial. É um tipo de displasia.
• Estágio I: Tumor restrito a uma parte do corpo, sem comprometimento linfático.
• Estágio II: Localmente avançado com comprometimento do sistema linfático ou espalhado por mais de um tecido.
• Estágio III: Localmente avançado, espalhado por mais de um tecido e causando comprometimento linfático.
• Estágio IV: Metástase a distância, ou seja, espalhando para outros órgãos ou todo o
corpo.
A designação como estágio II ou estágio III pode depender do tipo específico de câncer. Por
exemplo, na doença de Hodgkin, o estágio II indica linfonodos afetados em apenas um lado do
diafragma, enquanto o Estágio III indica linfonodos afetados acima e abaixo do diafragma. Os
critérios específicos para os estágios II e III, portanto, diferem de acordo com o diagnóstico.
Um tratamento curativo ou paliativo dependerá da situação do tumor. Até o estágio III é geralmente possível remover o câncer completamente via quimioterapia, radioterapia ou cirurgia,
o que é entendido como uma cura, porém a partir do estágio IV o tratamento se restringe a promover o mínimo de sintomas, o máximo de sobrevida e a melhor qualidade de vida ao paciente
sendo a cura altamente improvável.
2.2.3
Regras Gerais do Sistema TNM
A classificação TNM compreende algoritmos de estadiamento para quase todos os cânceres,
com exceção primária dos cânceres pediátricos. O esboço geral para a classificação TNM está
abaixo. Os valores entre parênteses fornecem um intervalo do que pode ser usado para todos
os tipos de câncer, mas nem todos os cânceres usam esse intervalo completo.
Parâmetros obrigatórios:
Fundamentação
17
• T: Tamanho ou extensão direta do tumor primário
– Tx: Tumor não pode ser avaliado
– Tis: Carcinoma in situ
– T0: Sem evidência de tumor
– T1, T2, T3, T4: Tamanho e/ou extensão do tumor primário
• N: Grau de disseminação para linfonodos regionais
– Nx: Os linfonodos não podem ser avaliados
– N0: Sem metástase em linfonodos regionais
– N1: Presença de metástase em linfonodo regional; em alguns locais, o tumor se
espalhou para o número mais próximo ou pequeno de linfonodos regionais
– N2: Tumor se espalhou entre N1 e N3 (N2 não é usado em todos os locais)
– N3: Disseminação do tumor para linfonodos regionais mais distantes ou numerosos
(N3 não é usado em todos os locais)
• M: presença de metástase à distância
– M0: sem metástase à distância
– M1: metástase para órgãos distantes (além dos linfonodos regionais).
A designação Mx, foi removida da 7ª edição do sistema AJCC/UICC, mas se referia a cânceres que não podiam ser avaliados para metástase à distância (O sistema está na 8ª Edição
lançada em dezembro/2016) .
O sistema TNM é usado para registrar a extensão anatômica da doença. É útil condensar
essas categorias em grupos. O carcinoma in situ é classificado como estágio 0; muitas vezes os
tumores localizados no órgão de origem são estadiados como I ou II, dependendo da extensão,
disseminação localmente extensa, para linfonodos regionais são estadiados como III, e aqueles
com metástase à distância são estadiados como estágio IV. No entanto, em alguns tipos de
tumores, os grupos de estágio não estão em conformidade com esse esquema simplificado. O
grupo de estágios é adotado com a intenção de que as categorias dentro de cada grupo sejam
mais ou menos homogêneas em relação à sobrevivência, e que as taxas de sobrevivência sejam
distintas entre os grupos. A União Internacional para o Controle do Câncer (UICC) usa o termo
Estágio para definir a extensão anatômica da doença. O American Joint Committee on Cancer
(AJCC) usa o termo Prognostic Stage Group, que também pode incluir fatores prognósticos
adicionais, além da extensão anatômica da doença.
Fundamentação
2.2.4
18
Regras do Sistema TNM para o câncer de pâncreas
Apesar das definições das regras do sistema para todo os tipos de câncer de forma geral, o
sistema de estadiamento TNM também definiu as regras de classificação especificas de cada
neoplasia, conforme é possível observar na tabela 2.1.
T1
T1a
T1b
T1c
T2
T3
T4
N1
N2
Definições da 8ª edição do sistema de estadiamento TNM
Tumor 2cm na maior dimensão
Tumor 0.5cm na maior dimensão
Tumor 0.5cm e > 1cm na maior dimensão
Tumor 1-2cm na maior dimensão
Tumor > 2cm e 4 na maior dimensão
Tumor > 4cm na maior dimensão
Tumor envolve CA, SMA e ou CHA, independente do tamanho
Metástase em 1-3 nódulos tumorais regionais
Metástase em 4 nódulos tumorais regionais
Tabela 2.1: Resumo Esquemático: CA = Indica o eixo celíaco (Celiac Axis), SMA = Indica
artéria mesentérica superior( superior mesenteric artery ), CHA = Indica artéria hepática comum
(common hepatic artery
Figura 2.5: Ilustração dos estágios T e N atuais: Critérios baseados em tamanho para estágios T com subestadiamento para T1 nas categorias T1a, T1b e T1c. O estágio N é baseado
em diferenças numéricas nos linfonodos metastáticos , com 3 linfonodos como ponto de corte.
2.3
Biomarcadores
Um marcador biológico é uma característica objetivamente mensurada e avaliada como um indicador de processo biológico normal, processos patogênicos, ou de respostas farmacológicas
Fundamentação
19
a uma intervenção terapêutica. Na área da saúde existe uma diversidade de biomarcadores conhecidos: fisiológicos, bioquímicos, histológicos e anatômicos. Podem ser células específicas,
DNA e RNA livres de células, peptídeos, proteínas, enzimas, metabólitos e hormônios. Entre
esses, os mais relevantes são os biomarcadores bioquímicos, por causa da relativa facilidade
em obtenção a partir de fluidos corporais. A natureza dinâmica do sistema circulatório e seus
constituintes reflete diversos estados fisiológicos ou patológicos, e a facilidade com que o sangue pode ser coletado faz com que seja uma escolha lógica para aplicações de biomarcadores
(Oliveira, 2020).
Classificação dos biomarcadores
Segundo (Shaw et al., 2015) Os biomarcadores possuem 4 classificações, são elas:
• Biomarcadores de Diagnóstico: permitem a detecção precoce de um câncer de forma
não invasiva.
• Biomarcadores de Prognóstico: é uma característica clínica ou biológica que fornece
informações sobre o curso provável da doença.
• Biomarcadores Preditivos: é um parâmetro que pode ser usado para predizer o resultado diferencial a uma terapia ou de algum tratamento especial.
• Biomarcadores Terapêuticos: é geralmente uma proteína que pode ser usada como
alvo para uma terapia.
A função primordial do sistema urinário é a excreção de compostos tóxicos para o nosso
organismo, compostos que são gerados a partir do sangue. Portanto, a urina pode ser uma
rica fonte de biomarcadores de processos patogênicos. Por exemplo, (Debernardi et al., 2020)
utilizou Biomarcadores urinários no diagnóstico prévio do PDAC.
2.3.1
Biomarcadores x PDAC
CA 19-9
Antígeno Sérico de Carboidratos (Serum carbohydrate antigen) ou ainda Antígeno de Carboidrato 19-9 foi isolado a mais de 30 anos, sendo o biomarcador mais conhecido do PDAC. Extensas pesquisas sobre as funções biológicas dos ácidos siálicos mostraram que o CA19-9 está
Fundamentação
20
envolvido no crescimento e diferenciação celular, transdução de sinal, apoptose, espermatogênese e imunomodulação. Especificamente, foi relatado que CA19-9 propaga o recrutamento de
leucócitos mediando a adesão e migração de leucócitos para um foco inflamatório. Suspeita-se
que CA19-9 desempenhe um papel vital na adesão de células malignas às células endoteliais,
transmigração e desenvolvimento de metástases. Isso é apoiado por observações in vivo de pacientes com câncer de pâncreas, câncer colorretal e câncer de mama, em que CA19-9 elevado
está associado à progressão da doença e resultados inferiores.
CA19-9 tem sido extensivamente estudado em câncer de pâncreas desde sua descoberta
nas últimas três décadas. Como marcador tumoral, o CA19-9 continua a ser solicitado rotineiramente pelos médicos durante o tratamento do câncer de pâncreas. Embora o teste seja
amplamente acessível, é pertinente reconhecer as armadilhas potenciais para garantir a utilidade adequada e a interpretação precisa de quaisquer anormalidades. Há uma série de fatores
que podem confundir a interpretação do CA19-9. Primeiro, até 20% da população tem uma
deficiência hereditária de fucosiltransferase e não expressa CA19-9. Segundo, CA19-9 não
é exclusivamente específico para câncer de pâncreas e inúmeras etiologias benignas podem
falsamente elevar CA19-9. Em geral, CA19-9 pode ser usado no cenário clínico com cautela
e como adjuvante de outras investigações (Tabela 1). CA19-9 no rastreamento de câncer de
pâncreas é inadequado. No entanto, a utilidade do CA19-9 com outras modalidades de imagem pode conferir vantagens de detecção no subconjunto da população com fatores de alto
risco. Atualmente, um CA19-9 pré-operatório elevado deve levar o clínico a reavaliar a ressecabilidade. Dada a especificidade limitada do CA19-9, imagens adicionais com ressonância
magnética e EUS podem delinear melhor a vasculatura, anatomia e extensão da doença, com o
objetivo de orientar a ressecabilidade e reduzir a carga de laparotomias desnecessárias. Apesar
dessas insuficiências, há um papel do CA19-9 no prognóstico. Estudos têm demonstrado que
a redução dos níveis pós-operatórios está associada a maior sobrevida. Um nível elevado de
CA19-9 pré-operatório está associado a achados patológicos ruins, como linfonodos positivos e
doença de alto grau histológico e sobrevida significativamente reduzida. Da mesma forma, uma
falha na normalização do CA19-9 dentro de 3 a 6 meses após a cirurgia está associada a resultados piores. No entanto, a evidência da resposta do CA19-9 à quimioterapia como marcador
de prognóstico no câncer de pâncreas permanece discutível. Há uma necessidade urgente de
ferramentas clínicas que possibilitem a detecção precoce do câncer de pâncreas, o prognóstico
após a terapia e o monitoramento da terapia em pacientes com câncer de pâncreas. Apesar
do amplo uso clínico do CA19-9 nos últimos 30 anos, seu valor em influenciar as direções terapêuticas permanece limitado e precisa ser integrado às avaliações clínicas e radiológicas (Goh
et al., 2017).
Fundamentação
21
REG1B
REG1B (Regenerating islet-derived 1 beta) é uma proteína codificada pelo gene REG1B, localizado no cromossomo 2p12. Esse gene faz parte da família de proteínas regeneradoras que
desempenham papéis importantes na regeneração celular e na proliferação tecidual, particularmente no pâncreas. As proteínas REG estão envolvidas em processos inflamatórios e na regeneração de tecidos após danos, o que explica a elevação de REG1B em condições patológicas,
como o câncer de pâncreas. Essa proteína tem sido utilizada como biomarcador para detecção
de adenocarcinoma ductal pancreático (PDAC), sendo amplamente pesquisada por sua capacidade de auxiliar no diagnóstico precoce e no monitoramento da progressão da doença (Xu
et al., 2019; Radon et al., 2015; Comitê de Nomenclatura de Genes HUGO, 2022). Estudos
demonstram que o REG1B pode ser detectado em amostras de urina e soro, fornecendo uma
alternativa não invasiva para o rastreamento de pacientes com risco de PDAC (Radon et al.,
2015; Xu et al., 2019).
REG1A
REG1A (Regenerating islet-derived 1 alpha) é uma proteína codificada pelo gene REG1A, localizado no cromossomo 2p12, na mesma região do gene REG1B, ambos pertencentes à família
de proteínas regeneradoras. O gene REG1A está envolvido em processos de regeneração celular e resposta a danos teciduais, particularmente no pâncreas. Estudos indicam que o REG1A
está superexpresso em lesões precursoras do câncer pancreático e promove a proliferação celular, contribuindo para a progressão tumoral, particularmente em pacientes com diabetes (Zhou
et al., 2010). A expressão de REG1A foi observada também em outros tipos de câncer, como o
câncer de pulmão de células não pequenas (NSCLC), onde sua superexpressão foi associada
a um pior prognóstico (Minamiya et al., 2008). Embora o REG1A tenha menor sensibilidade
diagnóstica em comparação com o REG1B no contexto do adenocarcinoma ductal pancreático
(PDAC), ele desempenha um papel importante quando combinado com outros biomarcadores,
como o CA 19-9, melhorando a precisão diagnóstica (Zhou et al., 2010). O REG1A também está
envolvido em processos de reparo tecidual e angiogênese, tornando-se relevante para estudos
sobre progressão tumoral e regeneração celular (Minamiya et al., 2008; Zhou et al., 2010).
LYVE1
LYVE1 (Lymphatic Vessel Endothelial Hyaluronan Receptor 1) é uma proteína codificada pelo
gene LYVE1, localizado no cromossomo 11p15.1, sendo parte da família de receptores endoteliais de ácido hialurônico. Este gene desempenha um papel crucial na homeostase dos
Fundamentação
22
vasos linfáticos, facilitando o transporte de ácido hialurônico e estando intimamente envolvido
na linfangiogênese. A expressão do LYVE1 tem sido estudada no contexto de diversos tipos
de câncer, incluindo o adenocarcinoma ductal pancreático (PDAC). Estudos identificaram que
níveis elevados de LYVE1 na urina estão associados à presença de PDAC, sugerindo que o
LYVE1 pode ser utilizado como biomarcador não invasivo para detecção precoce da doença
(Minamiya et al., 2008). O painel de biomarcadores urinários que inclui LYVE1 demonstrou melhorar significativamente a precisão diagnóstica para PDAC em estágios iniciais. Além de seu
potencial diagnóstico, o papel do LYVE1 na linfangiogênese o torna um alvo de interesse para
pesquisas sobre metástase linfática em cânceres pancreáticos.
Creatinina
A creatinina é um subproduto do metabolismo da creatina, que é utilizada no fornecimento de
energia para a contração muscular. Ela é filtrada pelos rins e excretada pela urina, sendo comumente usada como um marcador confiável da taxa de filtração glomerular (TFG), o que reflete a
função renal. A medição dos níveis de creatinina em amostras de urina é essencial em estudos
de biomarcadores urinários, pois permite a correção para a diluição urinária, garantindo que as
variações observadas nos níveis de biomarcadores sejam devidas às condições patológicas,
como o câncer pancreático, e não a alterações na função renal (Radon et al., 2015).
Essa normalização é fundamental porque a concentração de biomarcadores, como REG1B
e LYVE1, pode variar em função do volume urinário, que por sua vez é influenciado pela hidratação e função renal. Ao ajustar os níveis de biomarcadores em relação à concentração de
creatinina, é possível minimizar esses fatores de confusão e garantir que as diferenças observadas nos biomarcadores reflitam com maior precisão a presença e a progressão da doença,
como no adenocarcinoma ductal pancreático (PDAC) (Radon et al., 2015).
Além disso, a creatinina é amplamente reconhecida por sua estabilidade e consistência em
termos de excreção diária, tornando-a um excelente parâmetro para padronização em estudos
que envolvem biomarcadores urinários. Isso assegura que as flutuações nos biomarcadores
sejam analisadas de maneira mais confiável, levando a uma melhor acurácia diagnóstica em
doenças como o PDAC.
3
Relato do Problema
O objetivo deste capítulo é apresentar o relato do problema referente ao foco deste trabalho,
fazendo uma pequena introdução sobre conceitos importantes da área que auxiliam na compreensão da pesquisa desenvolvida.
3.1
Definição
Conforme as fundamentações apresentadas nas seções anteriores, quanto mais recente for o
diagnóstico, maiores são as chances de cura de qualquer tipo de câncer, incluindo o CP. Quanto
mais rapidamente descoberto, maiores são as chances de ressecção cirúrgica, a única forma
de cura dessa neoplasia maligna, ou tratamento de paliação que pode elevar a expectativa
de sobrevida. Entretanto, devido à raridade do CP na população em geral e em comparação
com outros tipos de câncer, o maior volume de pesquisas historicamente foi concentrado nos
tipos mais comuns de neoplasias. Isso contribuiu para a falta de clareza sobre o diagnóstico e
prognóstico prévio para a população.
Mesmo com uma alta taxa de mortalidade, existe uma grande indefinição das formas de
diagnóstico prévio e, consequentemente, um prognóstico tardio na população em geral. As formas tradicionais de detecção e acompanhamento incluem: (i) ultrassonografia, (ii) tomografia
computadorizada, (iii) ressonância magnética, (iv) ultrassonografia endoscópica, (v) colangiopancreatografia retrógrada endoscópica, (vi) laparoscopia e (vii) biópsia para confirmar o tipo
de neoplasia (benigna ou maligna). No entanto, não é recomendável que esses exames sejam aplicados na população em geral ou em grupos de potencial risco, pois seria necessário
submeter-se com frequência regular a esses exames ou uma intercalação deles, o que poderia
23
Relato do Problema
24
ser ainda mais nocivo à população, tendo em vista que alguns desses exames, se aplicados
com frequência, podem levar a várias complicações de saúde, inclusive para algum tipo de
câncer.
Outra dificuldade são os altos custos desses exames, que não são acessíveis à boa parte
da população, principalmente em países considerados pobres. Mesmo em populações com
potencial de risco de desenvolverem PDAC, existem muitas perguntas a serem respondidas.
Por exemplo, alguém que tem 3 parentes próximos que desenvolveram algum tipo de CP é
considerado uma pessoa de alto risco, no entanto, não há consenso sobre a partir de que idade
essa pessoa será submetida aos exames de diagnóstico, qual a frequência e até que idade
investigar. Essas e outras questões ainda carecem de mais pesquisas.
Se o diagnóstico, que possui um maior volume de pesquisas, ainda chega de forma tardia
para a maioria dos pacientes com PDAC, é ainda pior com o prognóstico e a definição do melhor
tratamento possível. Isso ocorre porque o estadiamento, que é usado como base para inferir
o melhor prognóstico ao paciente, só ocorre mediante a realização dos exames de imagens e
biópsias, o que leva algum tempo para ser realizado. Além disso, mesmo com os primeiros
sinais da doença, é necessário que o paciente tenha acesso a hospitais modernos, disponibilidade financeira e/ou serviços públicos ágeis, o que não é a realidade de muitos pacientes.
Outrossim, dado o aumento da expectativa de vida e o envelhecimento da população mundial, são esperados 28,4 milhões de novos casos para todos os tipos de cânceres em 2040,
um aumento de 47% em relação a 2020 (Sung et al., 2021). Se nenhuma revolução for feita
no diagnóstico e no tratamento nos próximos anos, o estadiamento e o tempo de sobrevida dos
pacientes afetados pelo CP se tornarão ainda mais relevantes, dada a quantidade crescente de
pacientes que virão a óbito dentro dos primeiros cinco anos. Isso porque é sobre eles que é
desenvolvido o tratamento de paliação.
Entretanto, dada toda a dificuldade no diagnóstico precoce do PDAC, várias pesquisas paralelas vêm sendo realizadas ao longo dos anos, como muitos estudos de corte visando descobrir
potenciais biomarcadores para o diagnóstico prévio do CP. A descoberta desses biomarcadores
pode representar a resolução mencionada no parágrafo anterior. Como mencionado anteriormente, existe um biomarcador conhecido para cânceres da região do cólon, que inclui o PDAC.
Relato do Problema
25
3.2
Trabalhos Relacionados
3.2.1
Seleção dos artigos
Este pesquisa contou com uma revisão exploratório. Dentre os trabalhos encontrados destacaremos neste capitulo os trabalhos mais relevantes segundo critérios de seleção, foram definidas
quatro questões de avaliação, que permitem verificar a proximidade com a proposta.
Questões de Inclusão
QA1: Qual escopo da utilização?
Descrição e Motivação
Esta pergunta refere-se ao contexto
das neoplasias.
QA2: Uso de biomarcador para prognóstico?
Esta pergunta refere-se se o estudo buscou utilizar os biomarcadores para descobrir o estadiamento.
QA3: Uso de biomarcadores urinários?
Esta pergunta refere-se ao uso de
biomarcadores urinários ainda que
em contextos de não prognóstico
e/ou classificação.
QA4: Utiliza de estadiamento TNM?
Esta pergunta refere-se as técnicas
utilizadas para criar o modelo de
classificação.
Tabela 3.1: Fonte: Autor
3.2.2
Lista de Trabalhos
• (Lesko et al., 2022): A pesquisa utiliza o biomarcador MicroRNA 371a-3p, pertencente ao
grupo de pequenos RNAs não codificantes, visando identificar precocemente o câncer de
testículo no estágio I, sem estabelecer uma relação específica com os demais estágios
TNM.
– Este estudo se relaciona com o trabalho atual, demonstrando a ampla aplicabilidade
dos diversos biomarcadores existentes e o uso desses biomarcadores para estimar
um estágio TNM. Nesse caso, o biomarcador é usado para diagnosticar uma neoplasia e estimar o estágio I do TNM. No entanto, a neoplasia investigada é diferente:
(Lesko et al., 2022) tem como objetivo identificar apenas o estágio I do TNM, enquanto a dissertação atual busca identificar os quatro principais estágios do TNM
do PDAC, ver Tabela 3.2.
Relato do Problema
26
Tabela 3.2: Comparação entre o estudo de Lesko et al. (2022) e a dissertação atual
Aspecto
Biomarcador
Neoplasia
Lesko et al. (2022)
MicroRNA 371a-3p
Câncer de testículo
Estágio TNM investigado
Objetivo do biomarcador
Estágio I
Identificar precocemente o
câncer de testículo no estágio
I
Não estabelece relação específica com os demais estágios
TNM
Relação com outros estágios TNM
Dissertação atual
LYVE1, REG1A, TFF1
Adenocarcinoma ductal pancreático (PDAC)
Estágios I, II, III e IV
Identificar os quatro principais
estágios do TNM do PDAC
Estuda a relação com os
quatro principais estágios do
TNM
2020 (Debernardi et al., 2020): Utiliza biomarcadores urinários para diagnóstico prévio
do PDAC, com um total de 590 amostras. a) Essa pesquisa focou na melhoria da
acurácia do diagnóstico prévio do PDAC por meio da substituição do REG1A por
REG1B, apresentando uma acurácia de 0.99.
* O conjunto de dados deste trabalho foi utilizado nesta pesquisa. No entanto, o
foco das pesquisas é distinto. Enquanto (Debernardi et al., 2020) atuou no diagnóstico usando biomarcadores urinários, a presente pesquisa atua no prognóstico para estimar o estadiamento TNM. Ou seja, esta dissertação é um complemento a esse estudo, dado que ambas pesquisas utilizam-se dos mesmos
biomarcadores, mas atuam em momentos distintos. Comprovando-se a eficácia de ambas as pesquisas, é possível, em um único exame, obter/estimar tanto
o diagnóstico quanto o prognóstico do PDAC.
Tabela 3.3: Comparação entre o estudo de Debernardi et al. (2020) e a dissertação atual
Aspecto
Biomarcadores
Neoplasia
Foco da pesquisa
Acurácia
Complementaridade
Debernardi et al. (2020)
LYVE1, REG1B, TFF1
Adenocarcinoma ductal pancreático (PDAC)
Diagnóstico prévio do PDAC
0.99 (com a substituição do
REG1A por REG1B)
-
Dissertação atual
LYVE1, REG1B, TFF1
Adenocarcinoma ductal pancreático (PDAC)
Prognóstico e estadiamento
TNM do PDAC
0.81 (com uso de Random
Forest)
Complementa o estudo de
Debernardi et al. (2020)
2015 (Honda et al., 2015): Utiliza o biomarcador plasmático apoAII-ATQ/AT, no diagnóstico
prévio e na busca por identificar o estágio do DPAC. Com à acurácia de 0,94 para estadiamento I/II e 0,93 para a classe III/IV.
Relato do Problema
27
– Artigo apresenta um grande desbalanceamento das amostras (I = 2, II = 10, III = 12
e IV = 102).
– Agrupou as classes I/II e III/IV, divergindo da atual pesquisa que busca classificar os
4 graus da TNM.
– Usa o biomarcador ATQ/AT, não contemplado nesta pesquisa.
3.3
Impacto
A maioria dos estudos atuais relacionados do PDAC e aos demais tipos de cânceres de pâncreas tem se concentrado na descoberta de biomarcadores para um diagnostico precoce, pois
sabe-se, que mesmo sem o desenvolvimento de novas técnicas para o tratamento do PDAC, se
for possível diagnosticar precocemente o PDAC, as taxas de sobrevida e sucesso na resseção
e por sua vez a cura definitiva do PDAC subirá drasticamente. No entanto, poucos estudos tem
buscado uma avanço em um precoce prognóstico. É um prática conhecida que para qualquer
tipo de tratamento das neoplasias se faz necessária uma analise do estadiamento do paciente,
por vezes, o diagnostico só ocorre quando resta poucos meses de sobrevida. Quanto mais precoce for realizado o estadiamento, mais tempo e opções de tratamento e/ou paliação estarão
disponíveis para o paciente.
4
Proposta
O objetivo desta capítulo é apresentar a proposta do trabalho, bem como os detalhes a serem
considerados na elaboração do modelo de aprendizagem de máquina, e nas correlações das
variáveis utilizadas.
4.1
Fundamentação
O objetivo deste trabalho é a elaboração de uma Proposta e Avaliação de um Modelo prévio
de estadiamento TNM em pacientes diagnosticados com câncer de pâncreas PDAC com base
em biomarcadores. A proposta dessa pesquisa se difere na busca do prévio estadiamento com
base em biomarcadores inicialmente propostos para diagnóstico do PDAC.
A fundamentação tem como base a utilização de técnicas de aprendizagem de máquina,
visando analisar a viabilidade do uso de biomarcadores cancerígenos com objetivo de prever o
estadiamento tumoral no TNM ou parte deste estadiamento, que tradicionalmente é feito com
base em exames de imagens. Entretanto, esta dissertação avalia a viabilidade de uso de biomarcadores para prever o estadiamento sem o uso de imagens, dando apoio à decisão médica
de ações de prognóstico. Este estudo se alicerça no avanço de inúmeras pesquisas para prévio
diagnóstico do CP com base em biomarcadores em específico em pacientes com PDAC.
O TNM é utilizado na elaboração de um estadiamento para pacientes com tumores malignos, baseando-se no tamanho e localização do tumor. Os dados utilizados nesta pesquisa
28
Proposta
29
Figura 4.1: Fluxo de separação da base de dados
foram obtidos de amostras clínicas de vários centros: Barts Pancreas Tissue Bank, University
College London, University of Liverpool, Spanish National Cancer Research Center, Cambridge
University Hospital e University of Belgrade. O uso de dados reais é altamente relevante em
qualquer pesquisa. Entretanto, a disponibilidade de datasets de pacientes com CP não é tão
abrangente como em outros tipos de cânceres mais comuns, mesmo, em centros especializados, uma vez que a amostra é reduzida ou o acesso é permeado por vários critérios de acesso.
O dataset utilizado nesta pesquisa foi publicado no artigo de (Debernardi et al., 2020), contendo
um total de 590 amostras, com dados sobre sexo, idade, e 5 biomarcadores.
4.1.1
Fluxo de normalização dos dados
O dataset obtido inicialmente proposto para diagnóstico prévio de CP do tipo PDAC, com um
total de 590 amostras, sendo separadas em 3 grupos: (i) Amostra de controle com 183 pacientes, (ii) amostra de PDAC com 199 pacientes, (iii) amostra de doenças hepatobiliar benigna
com 208, conforme figura 4.1; destas amostras somente os dados relacionados ao PDAC foram
utilizados neste estudo, dos quais estão contam com 116 amostras do sexo masculino e 83 do
sexo masculino, com uma faixa etária mediana global de 67 anos.
Proposta
4.2
30
Hipóteses
Esta seção reúne e descreve as hipóteses que foram elaboradas no decorrer da revisão da
literatura, desde os modelos que serviram para diagnóstico, até os modelos para prognóstico.
As hipóteses que foram elaboradas a partir da revisão exploratória, a resolução final e as
que foram testadas, foram as hipóteses presentes na tabela 4.1
0
1
2
3
Hipóteses
É possível prever o estadiamento com base em biomarcadores.
Não É possível prever o estadiamento com base em biomarcadores.
Aplicação de algoritmos de aprendizagem de máquina com
base em biomarcadores, obtém resultados iguais, superiores ou correlacionados ao estadiamento TNM por imagem.
Aplicação de algoritmos de aprendizagem de máquina com
base em biomarcadores, não obtém resultados iguais, superiores ou correlacionados ao estadiamento TNM por imagem.
Tabela 4.1: Hipóteses.
5
Experimentação
Este capítulo descreve a metodologia que será aplicada no sistema, como será desenvolvido,
técnicas, instrumentos, ou, dispositivos que serão utilizados para obtenção dos resultados, ao
desenvolver o experimento proposto nesta dissertação.
5.1
Ferramentas
5.1.1
O que é Machine Learning?
É uma subárea da IA(Inteligência Artificial), que refere-se ao estudo de algoritmos que aprendem seu comportamento a partir de dados. Para ver por que esses algoritmos são importantes,
considere a seguinte tarefa básica, construir um programa para prever se uma imagem contém um cachorro ou um gato. Embora seja uma tarefa árdua especificarmos manualmente as
regras exatas para determinar que um cachorro é um cachorro, é comparativamente simples
preparar um conjunto de referência de imagens e rótulos (ou seja, cachorros ou gatos). Essa
configuração, em que o conhecimento é mais facilmente codificado em dados do que em um
conjunto descritivo de regras, é o foco dos algoritmos de ML. Dado um conjunto de referência,
ou seja,dados de treinamento, e uma métrica de desempenho para otimizar, ou seja, um objetivo do modelo, os algoritmos de ML geralmente começam com uma estimativa aleatória. Por
exemplo, considere o seguinte modelo simplificado em Fig 5.1.
31
Experimentação
5.1.2
32
Algoritmo KNN
Figura 5.1: Aprendendo a classificar imagens de cães versus gatos. A, Suposição inicial do
modelo. B, A estimativa refinada após medir seu desempenho no conjunto de referência (Kenner
et al., 2021).
Figura 5.2: Exemplo de classificação KNN (The scikit-learn developers, 2022).
d(x, y) =
s
n
 (xi
n=1
yi )2
(5.1)
Existe vários algoritmos dentro da ML para classificar objetos, coisas, etc. A escolha de
um algoritmo adequado para solução do problema é de fundamental importância. Dentre estes,
o algoritmo de k-vizinhos mais próximos (k-NN, do inglês: k-nearest neighbors) é um método
de aprendizado supervisionado não paramétrico desenvolvido pela primeira vez por Evelyn Fix
e Joseph Hodges em 1951, e posteriormente expandido por Thomas Cover (Fix and Hodges,
1989). É usado para classificação e regressão . Em ambos os casos, a entrada consiste nos k
exemplos de treinamento mais próximos em um conjunto de dados, Fig 5.2.
Experimentação
5.1.3
33
Algoritmo Floresta Aleatória (Random Forest)
Figura 5.3: Exemplo de classificação SVM (The scikit-learn developers, 2022).
Florestas aleatórias ou florestas de decisão aleatória é um método de aprendizado conjunto
para classificação , regressão e outras tarefas que opera construindo uma infinidade de árvores
de decisão em tempo de treinamento. Para tarefas de classificação, a saída da floresta aleatória
é a classe selecionada pela maioria das árvores. Para tarefas de regressão, a previsão média ou
média das árvores individuais é retornada. (Ho, 2016) Florestas de decisão aleatória corrigem
o hábito das árvores de decisão de se ajustarem ao seu conjunto de treinamento.
A Floresta Aleatória é um algoritmo que pertence a classe dos algoritmos supervisionados de Aprendizagem de Máquina. Ele é um dos algoritmos mais utilizados pela sua simplicidade e diversidade, e também pelos bons resultados apresentados mesmo sem a utilização de
hiper-parâmetros. Além disso, ele pode ser utilizado tanto para tarefas de classificação ou de
regressão (Breiman, 2001).
Experimentação
5.1.4
34
Máquinas de Vetor de Suporte (Support-Vector Machine - SVM)
Figura 5.4: Exemplo de classificação SVM (The scikit-learn developers, 2022).
São um conjunto de métodos de aprendizado supervisionado usados para classificação, regressão e detecção de outliers(Cortes and Vapnik, 1995).
5.2
Ferramentas Utilizadas
O experimento foi realizado no ambiente virtual online Colaboratory (Colab). Esta ferramenta
permite que qualquer pessoa escreva e execute código Python arbitrário por meio do navegador
e é especialmente adequado para aprendizado de máquina, análise de dados e educação. Mais
tecnicamente, o Colab é um serviço de notebook Jupyter hospedado que não requer configuração para uso, enquanto fornece acesso gratuito a recursos de computação, incluindo GPUs.
5.2.1
Equipamentos:
Para a realização desta dissertação, os seguintes equipamentos foram utilizados: (i) um notebook Macos Air, conforme Fig. 5.5
Experimentação
35
Figura 5.5: Detalhamento das configurações do computador (notebook) utilizado
5.2.2
Linguagem de programação:
Nesse experimento utilizamos a linguagem de programação python em sua versão 3.10. Esta
linguagem foi selecionada por ter um amplo aparato de bibliotecas voltadas à ciência de dados
e por sua ampla utilização no meio acadêmico e profissional de pessoas que atuam com ciência
de dados.
Bibliotecas
Bibliotecas utilizadas nos scripts escritos em python:
• Pandas: é uma biblioteca para uso em Python, open-source e de uso gratuito (sob uma
licença BSD), que fornece ferramentas para análise e manipulação de dados.
• Numpy: significa Numerical Python (Python Númerico), tudo isso devido ao fato de ser
baseado nos projetos Numeric e Numarray que foi feito com objetivo de reunir a comunidade em torno de um framework de processamento Arrays.
• Seabourn: é uma biblioteca usada principalmente para plotagem estatística em Python.
Ele é construído em cima do Matplotlib e fornece belos estilos padrão e paletas de cores
para tornar os gráficos estatísticos e atraentes.
• Matplotlib.pyplot: é uma biblioteca da linguagem de programação Python, utilizada para
visualização de dados e plotagem gráfica.
• Plotly.express: é uma biblioteca de visualização de dados para Python, Javascript e R.
• klearn.preprocessing import LabelEncoder: é uma biblioteca de transforma os valores
das variáveis rotuladas iniciando em 0 até o número de classes menos um, 0:n_classes-1.
Experimentação
36
• sklearn.preprocessing import OneHotEncoder: Essa codificação é necessária para
alimentar dados categóricos para muitos estimadores scikit-learn, principalmente modelos
lineares e SVMs com os kernels padrão.
• sklearn.compose import ColumnTransformer: Este estimador permite que diferentes
colunas ou subconjuntos de colunas da entrada sejam transformados separadamente e
as características geradas por cada transformador serão concatenadas para formar um
único espaço de características. Isso é útil para dados heterogêneos ou colunares, para
combinar vários mecanismos de extração de recursos ou transformações em um único
transformador.
5.3
Metodologia
5.3.1
Fase I Aquisição de Dados
Dataset:
O Dataset utilizado foi baseado em dados reais visando validar os modelos propostos, o que
não seria possível de averiguar com dados simulados. Sendo assim, foi selecionado o dataset elaborado por (Debernardi et al., 2020), sendo que não foram encontrados outros dados
públicos de interesse desta pesquisa. As amostras clínicas usadas no dataset foram obtidas
de vários centros: Barts Pancreas Tissue Bank, University College London, University of Liverpool, Spanish National Cancer Research Center, Cambridge University Hospital e University of
Belgrade. O painel de biomarcadores foi testado em 590 amostras de urina: 183 amostras de
controle, 208 amostras de doença hepatobiliar benigna e 199 amostras de PDAC (102 estágio
I–II e 97 estágio III–IV); 50,7% eram de indivíduos do sexo feminino. Amostras de PDAC foram
coletadas de pacientes antes do tratamento, Fig 4.1.
A disponibilização dos dados é feita através de arquivo comprimido com as colunas que
contêm os tipos de dados clínicos que referenciam os pacientes em Comma-separated values
(CSV), sendo possível selecionar os dados que serão relevantes para a pesquisa.
Experimentação
5.3.2
37
Fase II: Organização dos Dados
Destes dados foram selecionados apenas os campos de interesse da pesquisa, ou seja, os
biomarcadores, os estadiamento e por fim idade e sexo do paciente, ficando com as seguintes
colunas utilizadas na pesquisa:
• Age
• Sex
• stage
• Plasma CA 19-9
• Creatinine
• LYVE1
• REG1B
• TFF1
• REG1A
5.3.3
Fase III: Divisão dos Cenários
Os biomarcadores, idade e sexo foram divididos em dois grupos para avaliação do impacto da
Age(Idade) e Sex(Sexo) em contraste com Biomarcadores na predição dos graus de estadiamento. Outra questão levada em consideração na criação dos cenários foi o balanceamento
dos dados, ou seja, foram criados cenários com os dados sem balanceamento e com balanceamento.
5.3.4
Fase IV: Aplicação do algoritmos de ML
Fase III: Aplicação do KNN em busca de prever o estadiamento. Os dados depois de coletados
e selecionados, foram analisados enfatizando a previsão do tempo de sobrevida e classificação
do câncer de pâncreas em vários estágios:
• Cenário 1: Sem Balanceamento + (CA 19-9, CREATITINE, LYVE1, TFF1, REG1A,
REG1B)
Experimentação
38
– Aplicação do algoritmo KNN
– Aplicação do algoritmo Random Forest
– Aplicação do algoritmo SVM
• Cenário 2: Com Balanceamento + (CA 19-9, CREATITINE, LYVE1, TFF1, REG1A,
REG1B)
– Aplicação do algoritmo KNN
– Aplicação do algoritmo Random Forest
– Aplicação do algoritmo SVM
• Cenário 3: Sem Balanceamento + (CA 19-9, CREATITINE, LYVE1, TFF1, REG1A,
REG1B)+Age+Sex
– Aplicação do algoritmo KNN
– Aplicação do algoritmo Random Forest
– Aplicação do algoritmo SVM
• Cenário 4: Com Balanceamento + (CA 19-9, CREATITINE, LYVE1, TFF1, REG1A,
REG1B)+Age+Sex
– Aplicação do algoritmo KNN
– Aplicação do algoritmo Random Forest
– Aplicação do algoritmo SVM
5.4
Parâmetros
Colunas de entrada do dataset: O dataset conta com os seguinte campos:
• Sample_id = Id da amostra
• Patient_cohort = Coorte de pacientes
• Sample_origin = Origem da amostra (centro médico)
• Age = Idade
• Sex = Sexo(M = Masculino, F = Feminino)
• diagnosis = Diagnostico (1= Grupos de amostra,2=Doenças benignas e 3= PDAC)
Experimentação
39
• stage = Estadiamento NTM
• benign_sample_diagnosis = diagnóstico de amostra benigna
• Plasma CA 19-9 = Biomarcado tumoral CA 19-9
• Creatinine = Creatinina
• LYVE1 = biomarcadores de proteínas na Urina
• REG1B = biomarcadores de proteínas na Urina
• TFF1 = biomarcadores de proteínas na Urina
• REG1A = biomarcadores de proteínas na Urina
OBS. Nos scripts foram tratadas as variáveis nominais, transformando-as em valores numéricos, sendo esta ação necessária para o correto seguimento do algoritmo.
6
Resultados
Esta seção descreve os resultados obtidos no experimento proposto, comparando o resultado
das técnicas de ML aplicadas (KnnClassifier, Random forest e SVM) para avaliar a possibilidade
de previamente estimar o grau do estadiamento por biomarcadores promissores no diagnostico
de PDAC, antes das realização de exames de imagens.
No cenário 1, o algoritmo KNN apresentou a maior acurácia de 0.55. no cenário 2, o algoritmo Random Forest apresentou a maior acurácia alcançando 0.75. No cenário 3, o Random
Forest novamente apresentou a maior acurácia de 0.575, embora inferior ao cenário 2. Por fim,
no cenário 4 o algoritmo RandomForest alcançou a maior acurácia de todos os cenários, atingindo o score de 0.81. Os scripts dos algoritmos utilizados foram disponibilizados no Apêndice
A e B deste trabalho, assim, como compartilhados por meio da plataforma do github:
• ScriptA (Conrado, 2022a): Contempla os cenários 1 e 2
• ScriptB (Conrado, 2022b): Contempla os cenários 3 e 4
6.1
Métricas
As métricas utilizadas para avaliação dos resultados são:
• Precision (Precisão) (também chamada de valor preditivo positivo) é a fração de instân-
40
Resultado
41
cias relevantes entre as instâncias recuperadas.
Precision =
VP
V P + FP
(6.1)
• Recall (Revocação) (também conhecido como sensibilidade) é a fração de instâncias
relevantes que foram recuperadas.
Recall =
VP
V P + FN
(6.2)
• Accuracy (Acurácia) é uma média aritmética ponderada entre precisão e precisão inversa (ponderada por viés), bem como uma média aritmética ponderada entre revocação
e revocação inversa (ponderada por prevalência)
Accuracy =
V P +V N
V P +V N + FP + FN
(6.3)
• VP = Verdadeiro Positivo
• VN = Verdadeiro Negativo
• FP = Falso Positivo
• FN = Falso Negativo
6.2
Descrição
Conforme é possível observar na Fig.6.1 existe um número grande de classes, podendo gerar
uma maior imprecisão na classificação. Diante disso, agrupamos essas classes pelos graus I,
II, II e IV, conforme é possível observar na Fig. 6.2. É possível observar outro problema: existe
desbalanceamento nos dados no dataset utilizado, o que podem prejudicar o treinamento e por
consequência a correta classificação das amostras. Por esse motivo, foi necessário criar mais
cenários, que avaliassem os algoritmos com os dados sem balanceamento e os algoritmos com
balanceamento de dados, conforme Fig. 6.3.
Resultado
42
Figura 6.1: Os estágios do TNM no dataset está apresenta um grande número de classificadores
É possível observar que os estadiamentos não estão uniformemente distribuídos. Ainda que
agrupados, o estadiamento I e seus subgrupos (IA e IB) não possuem a mesma representação
numérica que as amostras II e III, o mesmo se aplica ao grau IV, Fig. 6.1. Já no gráfico da Fig.
Figura 6.2: Gráfico das classes após agrupamento para classificação via algoritmos de ML
Resultado
43
Figura 6.3: O Gráfico das classes após o uso da SMOTE, técnica de sobreamostragem onde as
amostras síntetizadas são geradas para a classe de sobreamostragem
A seguir um historiograma com as medianas e distribuição de frequência por Biomarcador.
Figura 6.4: Historiograma do CA 19-9
O antígeno carboidrato CA 19-9, quando acima de 37U/mL (Unidades por mililitro, FIG 6.4.
Resultado
44
Figura 6.5: Historiograma da creatinina
O valor da medida da creatinina encontra-se no intervalo de valores normais para ambos os
sexos. 6.5.
Figura 6.6: Historiograma do LYVE1
Resultado
45
Figura 6.7: Historiograma do REG1B
Figura 6.8: Historiorama do TFF1
.
Resultado
46
Figura 6.9: Historiorama do REG1A
A proteína CA 19-9, FIG 6.9.
Resultado
47
Figura 6.10: Matriz de dispersão (Scatter Matrix) com 6 dimensões para visualizarmos as tendências nos dados
Conforme é possível observar na Matriz de dispersão ou do inglês, Scatter Matrix na Fig.
6.10, 4 dos biomarcadores são apresentados (excluímos o REG1A, para melhorar a visuali-
Resultado
48
zação dos dados, pois, o excesso de dimensões dificultaria a analise e por essa proteína ter
uma correlação menor que o REG1B já representado no gráfico), o estadiamento (stage3, para
agrupar a visualização dos estadiamentos) e a idade (age). Os gráficos na diagonal da matriz representam a intersecção da próxima dimensão, existe uma aparente não correlação dos
estadiamentos com os biomarcadores.
6.3
Análise
Em cada cenário foram aplicadas no mínimo 3 algoritmos de ML: KnnClassifier, Random forest,
e SVM.
6.3.1
Cenários
Como nas amostras coletadas, foram disponibilizados poucas informações além dos biomarcadores. Neste trabalho foi decidido que não seriam descartadas nenhuma variável, visando
conservar o maior número de variáveis possíveis sobre os pacientes. Todavia, foi decidido avaliar o impacto da idade e sexo na classificação conjunta com os biomarcadores do dataset em
comparação com a classificação somente dos biomarcadores. Além disso, conforme apresentado na seção de descrição deste capitulo, foi criada outra bifurcação para avaliar se a utilização
de técnicas de balanceamento poderiam apresentar uma melhoria nos resultados.
6.3.2
Cenário 1: Biomarcadores urinários sem (idade, sexo) e sem balanceamento
A) C1-01 KnnClassifier - Unbalanced (acurácia = 0.35)
No primeiro experimento do cenário 1 conforme as Figs. 6.11 e 6.12, foi encontrada uma acurácia de 0.35. É possível observar que existe um problema na distribuição de dados que foi
gerada para o y_test, pois, o mesmo não enviou nenhuma amostra da classe IV, e as 5 amostras identificadas pelo algoritmo estão como pertencentes a classe IV (sendo falsos positivos).
Mesmo com 50% de precisão, a classe I também contou com um baixo número de amostras,
o que gera pouca confiabilidade nessa classificação. As classes 3 e 4 mesmo contando com
mais amostras, apresentaram baixa precisão e um alto número de falsos positivos. Em suma, o
maior f1-score foi da classe I com 0.57 e o menor da classe IV com 0.00.
Resultado
49
Figura 6.11: Matriz de confusão do Cenário C1-01, com acurácia de 0.35
Figura 6.12: Relatório de classificação do Cenário C1-01, com acurácia de 0.35
Resultado
50
Precisão
Revocação
F1-Score
Suporte
I
0.67
0.50
0.57
4
II
0.31
0.53
0.39
15
III
0.36
0.25
0.30
16
IV
0.00
0.00
0.00
5
0.35
40
Acurácia
Média Aritmética
0.33
0.32
0.31
40
Média ponderada
0.33
0.35
0.32
40
Tabela 6.1: Relatório de classificação do Cenário C1-01, com acurácia de 0.35
B) C1-02 RandomForestClassifier - Unbalanced (acurácia = 0.475)
No segundo experimento do cenário 1 conforme a figura 6.13 e a tabela 6.2, foi encontrada uma
acurácia de 0.475, com leve aumento comparado ao cenário anterior. Embora tenha tido uma
piora na classe I, todas as demais classes tiveram um progresso tanto no na precisão (precision)
quanto na revogação (recall). É possível observar que na classe IV o y_test selecionou amostras
dessa classe, possibilitando um aumento em seu score. Em suma o maior f1-score foi da classe
II com 0.54 e o menor da classe I com 0.25.
Figura 6.13: Matriz de confusão do Cenário C1-02, com acurácia de 0.475
Resultado
51
Precisão
Revocação
F1-Score
Suporte
I
0.25
0.25
0.25
4
II
0.45
0.67
0.54
15
III
0.55
0.38
0.44
16
IV
0.67
0.40
0.50
5
0.48
40
Acurácia
Média Aritmética
0.48
0.42
0.43
40
Média ponderada
0.50
0.47
0.47
40
Tabela 6.2: Relatório de classificação do Cenário C1-02, com acurácia de 0.475
C) C1-03 SVM - Unbalanced (acurácia = 0.55)
No terceiro experimento do cenário 1 conforme a figura 6.14 e a tabela 6.3 foi encontrada com
uma acurácia de 0.55, a maior do cenário 1. Entretanto, ao observar a classe I e IV, percebe-se
que não foram selecionadas amostras dessas classes, prejudicando o score do algoritmo. É
possível observar que o alto valor do recall da classe II elevou o valor o valor final da acurácia.
Em suma o maior f1-score foi encontrado na classe II com 0.65 e o menor das classes I e IV
com 0.00.
Figura 6.14: Matriz de confusão do Cenário C1-03, com acurácia de 0.55
Resultado
52
Precisão
Revocação
F1-Score
Suporte
I
0.00
0.00
0.00
2
II
0.55
0.80
0.65
20
III
0.55
0.40
0.46
15
IV
0.00
0.00
0.00
3
0.55
40
Acurácia
Média Aritmética
0.27
0.30
0.28
40
Média ponderada
0.48
0.55
0.50
40
Tabela 6.3: Relatório de classificação do Cenário C1-03, com acurácia de 0.55
6.3.3
Cenário 2: Biomarcadores urinários sem (idade, sexo) e com balanceamento de dados
A) C2-01 KnnClassifier - Balanced (acurácia = 0.62)
No primeiro experimento do cenário 2 conforme a figura 6.15 e a tabela 6.4, foi encontrada uma
acurácia de 0.62 bem superior a técnica equivalente ao primeiro cenário. Além disso, é possível
notar na matriz de confusão uma melhor distribuição das classes, I e IV sem que fosse afetadas
as classificações da classe II e III. Em suma, o maior f1-score foi da classe IV com 0.79 e o
menor da classe III com 0.40.
Resultado
53
Figura 6.15: Matriz de confusão do Cenário C2-01, com acurácia de 0.62
Precisão
Revocação
F1-Score
Suporte
I
0.71
0.81
0.76
21
II
0.57
0.38
0.46
21
III
0.38
0.42
0.40
12
IV
0.72
0.87
0.79
15
0.62
69
Acurácia
Média Aritmética
0.60
0.62
0.60
69
Média ponderada
0.61
0.62
0.61
69
Tabela 6.4: Relatório de classificação do Cenário C2-01, com acurácia de 0.62
B) C2-02 RandomForestClassifier - Balanced (acurácia = 0.75)
No segundo experimento do cenário 2 conforme a figura 6.16 e a tabela 6.5 foi encontrada uma
acurácia de 0.75, sendo um aumento expressivo comparado aos cenários anteriores. É possível
observar seus impactos em todos os scores. Em suma, o maior f1-score foi da classe I com
0.89 e o menor da classe II com 0.56.
Resultado
54
Figura 6.16: Matriz de confusão do Cenário C2-02, com acurácia de 0.75
Precisão
Revocação
F1-Score
Suporte
I
0.83
0.95
0.89
21
II
0.82
0.43
0.56
21
III
0.53
0.67
0.59
12
IV
0.79
1.00
0.88
15
0.75
69
Acurácia
Média Aritmética
0.74
0.76
0.73
69
Média ponderada
0.77
0.75
0.74
69
Tabela 6.5: Relatório de classificação do Cenário C2-02, com acurácia de 0.75
C) C2-03 SVM - Balanced (acurácia = 0.52)
No terceiro experimento do cenário 2 conforme a figura 6.17 e a tabela 6.6 foi encontrada uma
acurácia de 0.52, menor do que o cenário 1 para o mesma técnica de ML e a menor do cenário
2 se comparada com as demais técnicas. No entanto, não houve diferenças significativas neste
algoritmo mesmo com o balanceamento dos dados. Um fator a se destacar é o baixo recall no
cenário III. Em suma o maior f1-score foi da classe IV com 0.68 e o menor das classes III com
0.23.
Resultado
55
Figura 6.17: Matriz de confusão do Cenário C2-03, com acurácia de 0.52
Precisão
Revocação
F1-Score
Suporte
I
0.44
0.69
0.54
16
II
0.75
0.38
0.50
16
III
0.50
0.15
0.23
20
IV
0.53
0.94
0.68
17
0.52
69
Acurácia
Média Aritmética
0.56
0.54
0.49
69
Média ponderada
0.55
0.52
0.48
69
Tabela 6.6: Relatório de classificação do Cenário C2-03, com acurácia de 0.52
6.3.4
Cenário 3: Biomarcadores urinários com (idade, sexo) e sem balanceamento
A) C3-01 KnnClassifier - Unbalanced (acurácia = 0.425)
No primeiro experimento do cenário 3 conforme a figura 6.18 e a tabela 6.7, foi encontrada uma
acurácia de 0.425. É possível notar que o desbalanceamento de dados tem selecionado das
classes números totais distintos, o que afeta a analise do algoritmo neste cenário. A classe I
Resultado
56
não realizou nenhuma classificação (em duas amostras possíveis) e a classe IV tem a precisão
1.0 mas classificou um única amostra correta possível. Em suma, o maior f1-score foi da classe
II com 0.52 e o menor da classe I com 0.00.
Figura 6.18: Matriz de confusão do Cenário C3-01, com acurácia de 0.425
Precisão
Revocação
F1-Score
Suporte
I
0.00
0.00
0.00
4
II
0.42
0.73
0.54
15
III
0.45
0.31
0.37
16
IV
1.00
0.20
0.33
5
0.42
40
Acurácia
Média Aritmética
0.47
0.31
0.31
40
Média ponderada
0.47
0.42
0.39
40
Tabela 6.7: Relatório de classificação do Cenário C3-01, com acurácia de 0.425
B) C3-02 RandomForestClassifier - Unbalanced (acurácia = 0.57)
No segundo experimento do cenário 3 conforme a figura 6.19 e a tabela 6.8, foi encontrada
uma acurácia de 0.57, menor do que o cenário 2 para o mesmo algoritmo, no entanto, é o
melhor resultado dos cenários não balanceados. Já é esperado um baixo número de amostras
Resultado
57
das classes I e IV o que justifica o baixo recall da primeira classe e o baixo recall da segunda
mesmo com o precision em 1.0. Em suma, o maior f1-score foi da classe II com 0.54 e o menor
da classe I com 0.25.
Figura 6.19: Matriz de confusão do Cenário C3-02, com acurácia de 0.57
Precisão
Revocação
F1-Score
Suporte
I
0.50
0.25
0.33
4
II
0.50
0.80
0.62
15
III
0.67
0.50
0.57
16
IV
1.00
0.40
0.57
5
0.57
40
Acurácia
Média Aritmética
0.67
0.49
0.52
40
Média ponderada
0.63
0.57
0.56
40
Tabela 6.8: Relatório de classificação do Cenário C3-02, com acurácia de 0.57
C) C3-03 SVM - Unbalanced (acurácia = 0.57)
No terceiro experimento do cenário 3 conforme a figura 6.20 e a tabela 6.9, foi encontrada uma
acurácia de 0.57. É possível notar que a macro avg é mais baixa no relatório de classificação,
na matriz de confusão é ainda mais notória o desbalanceamento dos dados, pois as poucas
Resultado
58
amostras das classes I e IV foram erroneamente classificadas. Em suma, o maior f1-score foi
da classe II com 0.68 e o menor das classes I e IV com 0.00.
Figura 6.20: Matriz de confusão do Cenário C3-03, com acurácia de 0.57
I
II
III
IV
Acurácia
Média Aritmética
Média ponderada
Precisão
Revocação
F1-Score
Suporte
0.00
0.57
0.60
0.00
0.00
0.85
0.40
0.00
0.00
0.68
0.48
0.00
2
20
15
3
0.31
0.57
0.57
0.29
0.52
40
40
40
0.29
0.51
Tabela 6.9: Relatório de classificação do Cenário C3-03, com acurácia de 0.57
6.3.5
Cenário 4: Biomarcadores urinários com (idade, sexo) e com balanceamento de dados
A) C4-01 KnnClassifier - Balanced (acurácia = 0.61)
No primeiro experimento do cenário 4 conforme a figura 6.21 e tabela 6.10, foi encontrada uma
acurácia de 0.61. É possível notar um espalhamento maior e melhora na classificação. Com
Resultado
59
uma maior quantidade de amostras, a classe I e IV tem apresentado melhores resultados. Em
suma, o maior f1-score foi da classe I com 0.74 e o menor da classe IV com 0.40.
Figura 6.21: Matriz de confusão do Cenário C4-01, com acurácia de 0.61
Precisão
Revocação
F1-Score
Suporte
I
II
III
IV
0.68
0.59
0.38
0.71
0.81
0.48
0.42
0.67
0.74
0.53
0.40
0.69
21
21
12
15
Acurácia
Média Aritmética
Média ponderada
0.59
0.61
0.59
0.61
0.61
0.59
0.60
69
69
69
Tabela 6.10: Relatório de classificação do Cenário C4-01, com acurácia de 0.61
B) C4-02 RandomForestClassifier - Balanced (acurácia = 0.81)
No segundo experimento do cenário 4 conforme a figura 6.22 e a tabela 6.11, foi encontrada
a maior acurácia de 0.81, fator que é refletido na matriz de confusão. O balanceamento de
dados aumentou o desempenho de classes que não tiveram nenhum ajuste. Em suma, o maior
f1-score foi da classe I com 0.90 e o menor da classe II com 0.67.
Resultado
60
Figura 6.22: Matriz de confusão do Cenário C4-02, com acurácia de 0.81
I
II
III
IV
Acurácia
Média Aritmética
Média ponderada
Precisão
Revocação
F1-Score
Suporte
0.90
0.80
0.62
0.88
0.90
0.57
0.83
1.00
0.90
0.67
0.71
0.94
21
21
12
15
0.83
0.81
0.81
0.81
0.81
69
69
69
0.80
0.82
Tabela 6.11: Relatório de classificação do Cenário C4-02, com acurácia de 0.81
C) C4-03 SVM - Balanced (acurácia = 0.58)
No terceiro experimento do cenário 4 conforme a figura 6.23 e tabela a 6.12, foi encontrada uma
acurácia de 0.58. Os falsos positivos da classe III puxaram a acurácia para baixo. Em suma, o
maior f1-score foi da classe IV com 0.67 e o menor das classes III com 0.35.
Resultado
61
Figura 6.23: Matriz de confusão do Cenário C4-03, com acurácia de 0.58
I
II
III
IV
Acurácia
Média Aritmética
Média ponderada
Precisão
Revocação
F1-Score
Suporte
0.59
0.63
0.43
0.63
0.62
0.75
0.30
0.71
0.61
0.69
0.35
0.67
16
16
20
17
0.60
0.58
0.58
0.58
0.57
69
69
69
0.57
0.56
Tabela 6.12: Relatório de classificação do Cenário C4-03, com acurácia de 0.58
7
Discussão
7.1
Implicações
Esta seção discorre sobre os resultados encontrados no experimento em busca das respostas
as hipóteses dessa pesquisa.
7.1.1
Desbalanceamento de Dados
Claramente o desbalanceamento de dados conforme Fig. 6.2 afetou o desempenho dos algoritmos classificadores. Por exemplo, nos cenários 1 e 3 (que representam os cenários desbalanceados), as classes I e IV que são as classes com maior desbalanceamento apresentam um
baixo número de amostras nos testes de todos experimentos destes cenários. Esses cenários
contaram com o total de 40 amostras no y_test sendo que o número de amostras das classes I e
IV somados representam apenas 9 amostras, ou seja, 22.5%, enquanto as outras duas classes
II e III cada uma tinha em média 38.75% das amostras, que somadas representam 77.5%,. Em
outras palavras, isso explica a baixa acurácia para essas duas classes e a baixa da acurácia
geral nos cenários desbalanceados.
Entretanto é possível notar os algoritmos Random Forest e KNN chegarem a acurácia de
0.57, mesmo com o grande desbalanceamento dos dados, ou seja, o que nos leva ao questionamento se é possível melhorar o desempenho desses classificadores com um maior número
de amostras.
62
Discussão
7.1.2
63
Balanceamento de dados
Claramente o desbalanceamento dos dados implicou em um baixo resultado nos cenários onde
não foram aplicadas técnicas de oversampling. No entanto, mesmo nessas bases, o algoritmo
de classificação Random Forest e KNN apresentaram resultados promissores dado o contexto.
Diante desses resultados ainda na fase de experimentos, implementamos novos cenários
visando avaliar o comportamento do algoritmos na classificação dos estadiamento e assim responder se é possível ou não utilizar-se de biomarcadores que podem ou não ser utilizados no
diagnóstico dos CPs. Entretanto, ainda que esses biomarcadores não sejam aplicados para
o diagnóstico, resta a pergunta se é possível usa-los para acompanhamento e evolução do
estadiamento.
Aplicamos o balanceamento de dados nos cenários 2 e 4, sendo notório o melhor desempenhos dos 3 algoritmos comparando-os aos experimentos sem balanceamento. O desempenho
foi de uma acurácia no SVM de 0.58, no KNN 0.62 e no Random Forest chegando a 0.75 no
cenário 3 e 0.81 no cenário 4. Mesmos nas classes onde o número de amostras não foi aumentada, dado o melhor treinamento da IA, o desempenho dessa classe também levou uma melhor
acurácia.
Os resultados são promissores, entretanto, já destacamos que eles também apontam a necessidade de mais pesquisas utilizando mais biomarcadores e um maior número de amostras
para que a resposta de pesquisa deste trabalho tenha um grau precisão ainda mais assertivo.
O uso de algoritmos de IA mais sofisticados podem apresentar resultados ainda melhores, elevando o valor da acurácia da classificação da variável alvo se comparada as técnicas mais
básicas. Com a utilização de algoritmos de Random Forest, foi possível alcançar uma acurácia
de 0.81 utilizando os biomarcadores urinários juntamente com a idade e sexo.
7.1.3
O uso dos biomarcadores somados a idade e sexo dos pacientes
tem alguma diferença no uso exclusivos dos biomarcadores?
Dado o baixo número de variáveis, foram considerados 6 biomarcadores, além de idade e sexo.
Todavia, separamos os cenários com apenas os biomarcadores e outro com os biomarcadores acrescidos da idade e sexo, visando avaliar se a idade e sexo teriam alguma influencia
na classificação e por sua vez na acurácia. Os resultados das acurácias nos cenários gerados foi superior em quase todos os cenários que continham a idade e sexo, a única exceção
apresentada não teve uma diferença significativa.
8
Conclusão
8.1
Recapitulação
O Pâncreas é uma glândula hibrida, possuindo uma função endócrina que representa apenas
2% da composição celular deste órgão e também possui uma função exócrina responsável
pelos 98% restantes. Suas principais funções respectivamente são: controle da glicose no
sangue e produção do suco pancreático. Por sua localização mais interna no abdômen humano,
as complicações pancreáticas só comumente se apresentam quando não é possível mais um
cura. Dentre os vários possíveis problemas que afetam essa glândula destaca-se o Câncer de
Pâncreas, pois, embora raro, é uma das neoplasias mais letais que existem. Das neoplasias
pancreáticas, o PDAC é responsável por 90% dos casos, por essa razão um maior volume de
pesquisas relacionadas ao CP são especializadas nesse tipo.
Por sua elevada taxa de mortalidade, a maioria desses estudos se concentram no diagnóstico prévio. Além da falta de sintomas mais expressivos nas fases iniciais, outro fator que
corrobora para não detecção precoce do PDAC é que seu método padrão de detecção é por
meio de exames de imagens específicos e por fim a biopsia. No entanto, os estudos atuais
relacionados ao PDAC e aos demais tipos de cânceres de pâncreas tem se concentrado na
descoberta de biomarcadores para um diagnostico precoce, pois sabe-se, que mesmo sem o
desenvolvimento de novas técnicas para o tratamento do PDAC, se for possível o diagnóstico
precocemente do PDAC por detecção de biomarcadores encontrados no sangue, na urina ou
nas fezes, o baixo custo e a alta oferta desses tipos de exames, certamente aumentariam as
taxas de sobrevida e sucesso na resseção e por sua vez a cura definitiva do PDAC. Entretanto,
poucos estudos tem buscado uma avanço em um precoce prognóstico. É de comum conheci64
Conclusão
65
mento que para iniciar algum tipo de tratamento das neoplasias, faz-se necessária uma analise
do estadiamento do paciente, por vezes, o diagnostico só ocorre quando resta poucos meses
de sobrevida. A definição do estadiamento inicial pode demorar pouco mais. Quanto mais precoce for realizado o estadiamento, mais tempo e opções de tratamento e/ou paliação estarão
disponíveis para o paciente, e ainda que sobrevida dos pacientes seja maior, utilização de uma
estimativa de estadiamento baseada em biomarcadores urinários, além de diminuir os custos
de acompanhamento, pode se tornar a única forma de acompanhamento médico em lugares
com poucos recursos, dada a facilidade e baixo custo destes exames em comparação com os
de imagem.
8.2
Contribuições
1. Contribui com a resposta a ciência que é possível utilizar biomarcadores urinários combinados para prévio estadiamento do grau da neoplasia;
2. Diminuição dos custos de acompanhamento do PDAC;
3. Contribui para o acompanhamento médico da evolução dos pacientes com PDAC;
4. Contribui com um prévio prognóstico do PDAC.
8.3
Limitações
1. Limitações do baixo número de amostras do Dataset, apenas 199 de PDAC no total.
2. Limitações da falta de informações clinicas que podem vir completar a proposta e auxiliar
no aperfeiçoamento da precisão na classificação.
3. Desbalanceamento do Dataset: o desbalanceamento do número de amostras da classe I
e IV em comparação as bases II e III. Embora tenha sido aplicada técnica para resolução
de sobreamostragem, tanto o desbalanceamento como as técnicas de sobreamostragem
podem afetar acurácia.
4. Após aplicar técnicas de balanceamento, ficamos limitados as poucas amostras disponíveis, dado que as amostras geradas foram baseadas nas amostras existentes.
5. A limitação de datasets com dados sobre CP disponíveis de forma gratuita.
Conclusão
66
6. Classificação apenas do Grau do TNM que tem como base o tamanho do carcinoma,
não atendendo a todas subdivisões do TNM, limitando assim a previsão do estadiamento
Grau do TNM.
8.4
Trabalhos Futuros
1. Utilizar outros biomarcadores que podem apresentar uma maior acurácia.
2. Submeter os algoritmos aqui utilizados em uma amostra maior.
3. Utilizar algoritmos de ML não supervisionados.
4. Segmentar os dados em buscar das subclasses do TNM.
8.5
Conclusão
O estudo realizado teve como foco a aplicação da área da computação de aprendizagem de
máquina como proposta de solução para o problema de estadiamento prévio do TNM para
prognóstico de PDAC. Este tipo de estadiamento se dá somente após o diagnóstico do câncer
de pâncreas e exames de imagens para realização da classificação.
Neste trabalho, apresentamos o resultado da avaliação do uso dos algoritmos de ML como
KNN, RandomForest e SVM para prognóstico de previsão de estadiamento com base no TNM
para PDAC em biomarcadores urinários sem o uso de exames de imagens. O resultado dos
achados científicos foram utilizados com base para definição do objeto de estudo desenvolvido
no trabalho aqui proposto.
A metodologia seguida contou com uma revisão exploratória da narrativa sobre os principais
temas da pesquisa, o desenvolvimento e realização dos experimentos ocorreram no google
colabory, com utilização da linguagem python3.
O dataset de dados utilizados foi extraído do estudo sobre diagnóstico prévio do PDAC
com base em biomarcadores urinários (Debernardi et al., 2020). As amostras utilizadas foram
recolhidas de vários centros de saúde.
Conclusão
67
Os principais resultados indicam que a aplicação dos algoritmos de classificação foram capazes de estimar com certo grau de precisão a classificação do grau de TNM (I, II, III e IV)
que são relacionados principalmente ao tamanho do tumor, permitindo assim estimar o estadiamento dos pacientes, direcionando as demais ações de combate e paliação da neoplasia e
diminuindo os custos dos cuidados oncológicos.
Além disso, os resultados sugerem que o uso de uma amostra maior e a aplicação de outros
algoritmos podem apresentar uma acurácia mais aprimorada.
Com a acurácia de 0.81 do algoritmo RandomForest, entendemos que está dissertação tem
uma proposição positiva, alcançando o objetivo desta pesquisa.
Referências
Elliot A. Asare, Elizabeth G. Grubbs, Jeffrey E. Gershenwald, Frederick L. Greene, and
Thomas A. Aloia. Setting the “stage” for surgical oncology fellows: Pierre denoix and tnm
staging. Journal of surgical oncology, 119(7):823–823, 2019. ISSN 0022-4790.
Walter F. Boron and Emile L. Boulpaep. Medical Physiology: Principles for Clinical Medicine.
Saunders Elsevier, 2009.
Leo Breiman. Random forests. Machine learning, 45(1):5–32, 2001.
T. Clark Brelje and Robert L. Sorenson. Exocrine pancreas and ductal system. Histology
Guide, 2021. URL https://histologyguide.com/EM-view/
EM-074-interlobular-duct/12-photo-1.html. Acessado em julho de 2022.
Encyclopaedia Britannica. Islets of langerhans | definition, function, location, & facts.
Encyclopaedia Britannica, 2021. URL
https://www.britannica.com/science/islets-of-Langerhans.
Acessado em julho de 2022.
Christoph Brock et al. The Pancreas: An Integrated Textbook of Basic Science, Medicine, and
Surgery. Blackwell Publishing, 2003.
Stewart BW and Wild CP. World Cancer Report 2014. World Health Organization, International
Agency for Research on Cancer, 2014. ISBN 978-92-832-0429-9 978-92-832-0443-5
978-92-832-0432-9. URL
https://publications.iarc.fr/Non-Series-Publications/
World-Cancer-Reports/World-Cancer-Report-2014.
National Cancer Institute. Cancer of the Pancreas - Cancer Stat Facts, September 2022. URL
https://seer.cancer.gov/statfacts/html/pancreas.html.
Comitê de Nomenclatura de Genes HUGO. Relatório de símbolos de genes | Comitê de
Nomenclatura de Genes HUGO, 2022. URL https://www.genenames.org/data/
68
Referências
69
gene-symbol-report/#!/hgnc_id/HGNC:9952. https://www.
genenames.org/data/gene-symbol-report/#!/hgnc_id/HGNC:9952
[acessado em 28 de agosto de 2022].
Fabiano Santos Conrado. MScript2, August 2022a. URL
https://github.com/fsconrado/MScriptA. original-date:
2022-08-26T11:18:54Z.
Fabiano Santos Conrado. MScript1, August 2022b. URL
https://github.com/fsconrado/MScriptB. original-date:
2022-08-25T21:17:57Z.
Corinna Cortes and Vladimir Vapnik. Support-vector networks. Mach Learn, 20(3):273–297,
September 1995. ISSN 0885-6125, 1573-0565. DOI 10.1007/BF00994018. URL
http://link.springer.com/10.1007/BF00994018.
Silvana Debernardi, Harrison O’Brien, Asma S. Algahmdi, Nuria Malats, Grant D. Stewart,
Marija Plješa-Ercegovac, Eithne Costello, William Greenhalf, Amina Saad, Rhiannon
Roberts, Alexander Ney, Stephen P. Pereira, Hemant M. Kocher, Stephen Duffy, Oleg Blyuss,
and Tatjana Crnogorac-Jurcevic. A combination of urinary biomarker panel and PancRISK
score for earlier detection of pancreatic cancer: A case–control study. PLOS Medicine, 17
(12):e1003489, 2020. ISSN 1549-1676. DOI 10.1371/journal.pmed.1003489. URL
https://journals.plos.org/plosmedicine/article?id=10.1371/
journal.pmed.1003489. Publisher: Public Library of Science.
Vanessa Sardinha dos Santos. Pâncreas. Características e funções do pâncreas, 2022. URL
https://brasilescola.uol.com.br/biologia/pancreas.htm.
Evelyn Fix and J. L. Hodges. Discriminatory Analysis. Nonparametric Discrimination:
Consistency Properties. International Statistical Review / Revue Internationale de
Statistique, 57(3):238–247, 1989. ISSN 0306-7734. DOI 10.2307/1403797. URL
https://www.jstor.org/stable/1403797. Publisher: [Wiley, International
Statistical Institute (ISI)].
Su Kah Goh, Grace Gold, Christopher Christophi, and Vijayaragavan Muralidharan. Serum
carbohydrate antigen 19-9 in pancreatic adenocarcinoma: a mini review for surgeons. ANZ
journal of surgery, 87(12):987–992, 2017. ISSN 1445-1433.
Fred S. Gorelick and John D. Jamieson. Structure-function relationships in the pancreatic
acinar cell, pages 1341–1360. Academic Press, 2012.
Arthur C. Guyton and John E. Hall. Guyton and Hall Textbook of Medical Physiology. Elsevier
Health Sciences, 2016.
Referências
70
Tin Kam Ho. Wayback Machine, April 2016. URL
https://web.archive.org/web/20160417030218/http:
//ect.bell-labs.com/who/tkh/publications/papers/odt.pdf .
Kazufumi Honda, Michimoto Kobayashi, Takuji Okusaka, Jo Ann Rinaudo, Ying Huang, Tracey
Marsh, Mitsuaki Sanada, Yoshiyuki Sasajima, Shoji Nakamori, Masashi Shimahara, Takaaki
Ueno, Akihiko Tsuchida, Naohiro Sata, Tatsuya Ioka, Yohichi Yasunami, Tomoo Kosuge,
Nami Miura, Masahiro Kamita, Takako Sakamoto, Hirokazu Shoji, Giman Jung, Sudhir
Srivastava, and Tesshi Yamada. Plasma biomarker for detection of early stage pancreatic
cancer and risk factors for pancreatic malignancy using antibodies for apolipoprotein-AII
isoforms. Sci Rep, 5(1):15921, November 2015. ISSN 2045-2322. DOI 10.1038/srep15921.
URL https://www.nature.com/articles/srep15921. Number: 1 Publisher:
Nature Publishing Group.
INCA. Tipos de câncer | INCA - Instituto Nacional de Câncer, September 2022. URL
https://www.inca.gov.br/tipos-de-cancer/cancer-de-pancreas.
Steven R. James, Patricia Smith, and George H. White. Pancreatic islet physiology and
pathophysiology. Journal of Endocrinology and Metabolism, 107:1012–1024, 2018.
James Jamieson. Anatomy and histology of the pancreas. Pancreapedia, 2021. URL
https://www.pancreapedia.org/research/acinar-cell-structure.
Acessado em julho de 2022.
Barbara Kenner, Suresh T Chari, David Kelsen, David S Klimstra, Stephen J Pandol, Michael
Rosenthal, Anil K Rustgi, James A Taylor, Adam Yala, Noura Abul-Husn, Dana K Andersen,
David Bernstein, Søren Brunak, Marcia Irene Canto, Yonina C Eldar, Elliot K Fishman, Julie
Fleshman, Vay Liang W Go, Jane M Holt, Bruce Field, Ann Goldberg, William Hoos,
Christine Iacobuzio-Donahue, Debiao Li, Graham Lidgard, Anirban Maitra, Lynn M Matrisian,
Sung Poblete, Laura Rothschild, Chris Sander, Lawrence H Schwartz, Uri Shalit, Sudhir
Srivastava, and Brian Wolpin. Artificial intelligence and early detection of pancreatic cancer:
2020 summative review. Pancreas, 50(3):251–279, 2021. ISSN 0885-3177.
Lumen Learning. The endocrine pancreas. Anatomy and Physiology II, 2021. URL
https://courses.lumenlearning.com/suny-ap2/chapter/
the-endocrine-pancreas/. Acessado em julho de 2022.
Peter Lesko, Michal Chovanec, and Michal Mego. Biomarkers of disease recurrence in stage I
testicular germ cell tumours. Nat Rev Urol, pages 1–22, August 2022. ISSN 1759-4820.
DOI 10.1038/s41585-022-00624-y. URL
https://www.nature.com/articles/s41585-022-00624-y . Publisher:
Nature Publishing Group.
Referências
71
Po Sing Leung. The Renin-Angiotensin System: Current Research Progress in the Pancreas.
Springer, 2010.
MSD Manual. Pancreas - digestive system. MSD Manual Consumer Version, 2021. URL
https://www.msdmanuals.com/home/digestive-disorders/
biology-of-the-digestive-system/pancreas. Acessado em julho de 2022.
Johns Hopkins Medicine. The digestive process: What is the role of your pancreas in
digestion? Johns Hopkins Medicine, 2021a. URL https:
//www.hopkinsmedicine.org/health/conditions-and-diseases/
the-digestive-process-what-is-the-role-of-your-pancreas-in-digestion.
Acessado em julho de 2022.
Libretexts Medicine. Overview of pancreatic islets. LibreTexts, 2021b. URL
https://med.libretexts.org/Bookshelves/Anatomy_and_
Physiology/Book%3A_Human_Biology_(Wakim_and_Grewal)/15%3A_
The_Endocrine_System/15.11%3A_Overview_of_Pancreatic_Islets.
Acessado em julho de 2022.
Yoshihiro Minamiya, Hideki Kawai, Hajime Saito, Manabu Ito, Yukiko Hosono, Satoru
Motoyama, Yoshihisa Katayose, Naoko Takahashi, and Jun-ichi Ogawa. Reg1a expression is
an independent factor predictive of poor prognosis in patients with non-small cell lung cancer.
Lung Cancer, 60:98–104, 2008. DOI 10.1016/j.lungcan.2007.09.012.
Tobias D. Müller, Brian Finan, Christoffer Clemmensen, Richard D. DiMarchi, and Matthias H.
Tschöp. Glucagon physiology and pathophysiology. Cell Metabolism, 25(2):545–557, 2017.
Grasieli de Oliveira. Meta-análise integrativa secretoma-proteoma para identificação de
potenciais biomarcadores de adenocarcinoma ductal pancreático. PhD thesis, Universidade
Estadual Paulista (UNESP), São Paulo, 2020. URL
https://repositorio.unesp.br/handle/11449/192618.
Ghim Siong Ow and Vladimir A. Kuznetsov. Big genomics and clinical data analytics strategies
for precision cancer prognosis. Scientific Reports, 6(1):36493, November 2016. ISSN
2045-2322. DOI 10.1038/srep36493. URL
https://doi.org/10.1038/srep36493.
Pancreapedia. Vasoactive intestinal polypeptide or vip. Pancreapedia, 2021. URL
https://www.pancreapedia.org/research/
vasoactive-intestinal-polypeptide. Acessado em julho de 2022.
R M Parry, W. Jones, T H Stokes, J H Phan, R A Moffitt, H. Fang, L. Shi, A. Oberthuer,
M. Fischer, W. Tong, and M D Wang. k-Nearest neighbor models for microarray gene
Referências
72
expression analysis and clinical outcome prediction. The Pharmacogenomics Journal, 10(4):
292–309, August 2010. ISSN 1473-1150. DOI 10.1038/tpj.2010.56. URL
https://doi.org/10.1038/tpj.2010.56.
Thomas P Radon, Nicholas J Massat, Rachel Jones, Wadah Alrawashdeh, Laetitia Dumartin,
Daniel Ennis, S William Duffy, Hemant M Kocher, Stephen P Pereira, Luis Guarner, et al.
Identification of a three-biomarker panel in urine for early detection of pancreatic
adenocarcinoma. Clinical Cancer Research, 21(15):3512–3521, 2015.
DOI 10.1158/1078-0432.CCR-14-2467.
Jonathan G. Richens, Ciarán M. Lee, and Saurabh Johri. Improving the accuracy of medical
diagnosis with causal machine learning. Nature Communications, 11(1):3923, August 2020.
ISSN 2041-1723. DOI 10.1038/s41467-020-17419-7. URL
https://doi.org/10.1038/s41467-020-17419-7.
Emma Ruiz, Pedro Hernandez, and Raul Alvarez. The insulin signaling pathway: Mechanisms
of action and regulation. Journal of Molecular Endocrinology, 54(1):R17–R31, 2015.
Abigail Shaw, Marcus D Bradley, Sean Elyan, and Kathreena M Kurian. Tumour biomarkers:
diagnostic, prognostic, and predictive. BMJ (Online), 351:h3449–h3449, 2015. ISSN
0959-8138.
American Cancer Society. Pancreas anatomy, 2022. URL
https://www.cancer.org/content/dam/cancer-org/images/
illustrations/medical-illustrations/en/pancreas-anatomy.gif/
jcr:content/renditions/aem-thumbnail-980-980.jpeg .
Mônica Soldan. Rastreamento do câncer de pâncreas. Rev. Col. Bras. Cir., 44:109–111, April
2017. ISSN 0100-6991, 1809-4546. DOI 10.1590/0100-69912017002015. URL http:
//www.scielo.br/j/rcbc/a/pQqHW6scP4yK3QySPJvbLSH/?lang=pt.
Publisher: Colégio Brasileiro de Cirurgiões.
S Sulochana and T Sivakami. A gross morphological study of the pancreas in human cadavers.
National Journal of Clinical Anatomy, 1(1):1–5, 2012. DOI 10.1055/s-0039-3401669.
Hyuna Sung, Jacques Ferlay, Rebecca L. Siegel, Mathieu Laversanne, Isabelle Soerjomataram,
Ahmedin Jemal, and Freddie Bray. Global Cancer Statistics 2020: GLOBOCAN Estimates of
Incidence and Mortality Worldwide for 36 Cancers in 185 Countries. CA: A Cancer Journal
for Clinicians, 71(3):209–249, 2021. ISSN 1542-4863. DOI 10.3322/caac.21660. URL
https://onlinelibrary.wiley.com/doi/abs/10.3322/caac.21660.
_eprint: https://onlinelibrary.wiley.com/doi/pdf/10.3322/caac.21660.
Referências
The scikit-learn developers. Nearest Neighbors Classification, 2022. URL
https://scikit-learn/stable/auto_examples/neighbors/plot_
classification.html.
Fund international World Cancer Research. Pancreatic cancer statistics, September 2022.
URL https:
//www.wcrf.org/cancer-trends/pancreatic-cancer-statistics/.
Qian Xu, Wen Xia, Xiang Zhang, Bing Peng, and Cheng Peng. Regenerating islet-derived
protein 1b (reg1b): a serum biomarker candidate for pancreatic ductal adenocarcinoma.
Cancer Science, 110(3):1023–1033, 2019. DOI 10.1111/cas.13940.
Lin Zhou, Ruifeng Zhang, Lishun Wang, Shaoming Shen, Hiroshi Okamoto, Akira Sugawara,
Li Xia, Xiaoling Wang, Naoya Noguchi, Takeo Yoshikawa, Akira Uruno, Weiyan Yao, and
Yaozong Yuan. Upregulation of reg ia accelerates tumor progression in pancreatic cancer
with diabetes. International Journal of Cancer, 127:1795–1803, 2010.
DOI 10.1002/ijc.25188.
73
9
Apêndices
9.1
Apêndices A
Na seção de Apêndices A, encontra-se o script completo utilizado nesta dissertação. O ambiente utilizado foi o Google Colaboratory e a linguagem de programação utilizada foi Python.
Além disso, é possível acessar o referido script nos links do GitHub: (Conrado, 2022a) e (Conrado, 2022b).
74
Cenário 1:{ Somente os Biomarcadores | Dados Não
balanceados}
**Visão dos Dados
#1. IMPORTAR O DATASET (COLUNAS IMPORTANTES: AGE, SEX, LYVE1, REG1B, TFF1 ==> ALVO PREVER A
#!pip install plotly --upgrade
#Baixar os dados e jogar na variável DADOS
import pandas as pd
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
dados = dados.fillna(1, inplace= False)
# 16 colunas
dados
sample_id
patient_cohort
sample_origin
diagnosis
stage
sex
age
0
S497
Cohort1
ESP
3
I
F
81
12
1
S456
Cohort1
LIV
3
IA
M
57
2
2
S520
Cohort1
BPTB
3
IA
M
55
2
3
S573
Cohort2
BPTB
3
IA
M
58
0
4
S401
Cohort1
LIV
3
IB
M
73
12
...
...
...
...
...
...
...
...
194
S549
Cohort2
BPTB
3
IV
M
68
7
195
S558
Cohort2
BPTB
3
IV
F
71
8
196
S560
Cohort2
BPTB
3
IV
M
63
7
197
S583
Cohort2
BPTB
3
IV
F
75
8
198
S590
Cohort1
BPTB
3
IV
M
74
8
199 rows × 14 columns
#Avaliar o número de amostras para cada classe(estadiamento)
import numpy as np
np.unique(dados['stage2'], return_counts = True)
(array(['I', 'II', 'III', 'IV'], dtype=object),
array([16, 86, 76, 21]))
75
#Gerar um gráfico para avaliar visualmente o número de amostras para cada classe, objetivo
import seaborn as sns
sns.countplot(x = dados['stage2']);
Clique duas vezes (ou pressione "Enter") para editar
C1-01. KnnClassi er{Unbalanced} => 0.35
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | LYVE1
X_dados = dados.iloc[:,7:13].values
X_dados
REG1B
TFF1
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
#label_encoder_sex = LabelEncoder()
#X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
#X_dados
#Onehot
#from sklearn.preprocessing import OneHotEncoder
76
#from sklearn.compose import ColumnTransformer
#onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remaind
#X_dados = onehotencorder.fit_transform(X_dados)
#X_dados
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler() #(with_mean=False)
X_dados = scaler_dados.fit_transform(X_dados)
#Separação dos dados SEM o balanceamento
from sklearn.model_selection import train_test_split
X_dados_train , X_dados_test, y_dados_train, y_dados_test = train_test_split(X_dados, y_dad
X_dados_train.shape, X_dados_test.shape
((159, 6), (40, 6))
#KNN CLASSIFICADOR
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import classification_report, confusion_matrix,plot_confusion_matrix
from sklearn.preprocessing import StandardScaler
#knn_modelc = KNeighborsClassifier(n_neighbors=5, metric='euclidean', p = 2)
knn_modelc = KNeighborsClassifier(n_neighbors=5, metric='minkowski', p = 2)
knn_modelc.fit(X_dados_train, y_dados_train)
KNeighborsClassifier()
previsoes = knn_modelc.predict(X_dados_test)
previsoes
array(['II', 'II', 'II', 'III', 'II', 'II', 'II', 'III', 'I', 'II', 'III',
'II', 'II', 'III', 'II', 'I', 'II', 'II', 'III', 'III', 'I', 'II',
'II', 'II', 'II', 'III', 'II', 'II', 'II', 'III', 'II', 'II',
'III', 'II', 'III', 'II', 'II', 'II', 'III', 'II'], dtype=object)
y_dados_test
array(['II', 'III', 'III', 'II', 'III', 'IV', 'I', 'III', 'I', 'III',
'II', 'III', 'III', 'III', 'II', 'I', 'II', 'III', 'II', 'II',
'III', 'III', 'II', 'III', 'II', 'III', 'IV', 'IV', 'II', 'II',
'II', 'II', 'II', 'III', 'II', 'IV', 'III', 'I', 'III', 'IV'],
dtype=object)
from sklearn.metrics import accuracy_score, classification_report
accuracy_score(y_dados_test, previsoes) # padronização
0.35
from yellowbrick.classifier import ConfusionMatrix
77
cm = ConfusionMatrix(knn_modelc)
cm.fit(X_dados_train, y_dados_train)
cm.score(X_dados_test, y_dados_test)
0.35
print(classification_report(y_dados_test, previsoes))
precision
recall
f1-score
support
I
II
III
IV
0.67
0.31
0.36
0.00
0.50
0.53
0.25
0.00
0.57
0.39
0.30
0.00
4
15
16
5
accuracy
macro avg
weighted avg
0.33
0.33
0.32
0.35
0.35
0.31
0.32
40
40
40
/usr/local/lib/python3.7/dist-packages/sklearn/metrics/_classification.py:1318: Undefi
Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted
/usr/local/lib/python3.7/dist-packages/sklearn/metrics/_classification.py:1318: Undefi
Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted
/usr/local/lib/python3.7/dist-packages/sklearn/metrics/_classification.py:1318: Undefi
Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted
C1-02. RandomForestClassi er{Unbalanced} => 0.475
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
78
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,7:13].values
X_dados
age LYVE1
REG1B
TFF1
creatinine
plasma_
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
#label_encoder_sex = LabelEncoder()
#X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
#X_dados
#Onehot
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
#onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remaind
#X_dados = onehotencorder.fit_transform(X_dados)
#X_dados
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler() #(with_mean=False)
X_dados = scaler_dados.fit_transform(X_dados)
#Separação dos dados SEM o balanceamento
from sklearn.model_selection import train_test_split
X_dados_train , X_dados_test, y_dados_train, y_dados_test = train_test_split(X_dados, y_dad
X_dados_train.shape, X_dados_test.shape
X_random_forest_dados_sb_teste = X_dados_test
y_random_forest_dados_sb_teste = y_dados_test
#RANDOM FOREST CLASSIFIER
from sklearn.ensemble import RandomForestClassifier
random_forest_dados_sb = RandomForestClassifier(criterion = 'entropy', min_samples_leaf =
random_forest_dados_sb.fit(X_dados_train, y_dados_train)
RandomForestClassifier(criterion='entropy', min_samples_split=5,
n_estimators=200, random_state=0)
from sklearn.metrics import accuracy_score, classification_report
previsoes = random_forest_dados_sb.predict(X_dados_test)
accuracy_score(y_dados_test, previsoes)
0.475
79
from yellowbrick.classifier import ConfusionMatrix
cm = ConfusionMatrix(random_forest_dados_sb)
cm.fit(X_dados_train, y_dados_train)
cm.score(X_dados_test, y_dados_test)
0.475
print(classification_report(y_dados_test, previsoes))
precision
recall
f1-score
support
I
II
III
IV
0.25
0.45
0.55
0.67
0.25
0.67
0.38
0.40
0.25
0.54
0.44
0.50
4
15
16
5
accuracy
macro avg
weighted avg
0.48
0.50
0.42
0.47
0.48
0.43
0.47
40
40
40
C1-03. SVM{Unbalanced} => 0.55, liner, 1, 1
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,7:13].values
X_dados
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
age LYVE1
80
REG1B
TFF1
creatinine
plasma_
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
#label_encoder_sex = LabelEncoder()
#X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
#X_dados
#Onehot
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
#onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remaind
#X_dados = onehotencorder.fit_transform(X_dados)
#X_dados
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler() #(with_mean=False)
X_dados = scaler_dados.fit_transform(X_dados)
#Separação dos dados SEM o balanceamento
from sklearn.model_selection import train_test_split
X_dados_train , X_dados_test, y_dados_train, y_dados_test = train_test_split(X_dados, y_dad
X_dados_train.shape, X_dados_test.shape
((159, 6), (40, 6))
from sklearn.svm import SVC
svm_dados = SVC(kernel='linear', random_state=1, C = 1.0) # 2 -> 4
svm_dados.fit(X_dados_train, y_dados_train)
SVC(kernel='linear', random_state=1)
previsoes = svm_dados.predict(X_dados_test)
previsoes
array(['II', 'II', 'II', 'II', 'III', 'III', 'II', 'II', 'III', 'II',
'III', 'II', 'II', 'II', 'II', 'II', 'II', 'II', 'III', 'II', 'II',
'II', 'III', 'III', 'II', 'II', 'II', 'III', 'II', 'II', 'II',
'II', 'II', 'II', 'III', 'II', 'II', 'III', 'III', 'II'],
dtype=object)
y_dados_test
array(['III', 'II', 'III', 'III', 'III', 'III', 'III', 'I', 'II', 'II',
'IV', 'II', 'II', 'II', 'II', 'III', 'I', 'II', 'III', 'III', 'IV',
'II', 'II', 'III', 'II', 'II', 'III', 'II', 'II', 'II', 'II',
'III', 'II', 'III', 'II', 'II', 'IV', 'III', 'III', 'II'],
dtype=object)
81
from sklearn.metrics import accuracy_score, classification_report
#0.575, liner, 1, 1 | 0.425, poly, 1, 1 | #0.475, sigmoid, 1, 1 | 0.425, rbf, 1, 1
accuracy_score(y_dados_test, previsoes)
0.55
from yellowbrick.classifier import ConfusionMatrix
cm = ConfusionMatrix(svm_dados)
cm.fit(X_dados_train, y_dados_train)
cm.score(X_dados_test, y_dados_test)
0.55
print(classification_report(y_dados_test, previsoes))
precision
recall
f1-score
support
I
II
III
IV
0.00
0.55
0.55
0.00
0.00
0.80
0.40
0.00
0.00
0.65
0.46
0.00
2
20
15
3
accuracy
macro avg
weighted avg
0.27
0.48
0.30
0.55
0.55
0.28
0.50
40
40
40
/usr/local/lib/python3.7/dist-packages/sklearn/metrics/_classification.py:1318: Undefi
Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted
/usr/local/lib/python3.7/dist-packages/sklearn/metrics/_classification.py:1318: Undefi
Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted
/usr/local/lib/python3.7/dist-packages/sklearn/metrics/_classification.py:1318: Undefi
Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted
82
Cenário 2:{ Somente os Biomarcadores | Dados Não
balanceados}
C2-01. KnnClassi er{Balanced}0.623
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,7:13].values
X_dados
age LYVE1
REG1B
TFF1
creatinine
plasma_
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
#label_encoder_sex = LabelEncoder()
#X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
#X_dados
# Sobreamostragem com SMOTE
from imblearn.over_sampling import SMOTE
import numpy as np
smote = SMOTE(sampling_strategy='not majority', random_state=3)
X_over, y_over = smote.fit_resample(X_dados, y_dados)
#y_over.shape, X_over.shape
np.unique(y_dados, return_counts = True), np.unique(y_over, return_counts = True)
import seaborn as sns
sns.countplot(x = y_over);
#from sklearn.preprocessing import OneHotEncoder
#from sklearn.compose import ColumnTransformer
#onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remaind
#X_dados = onehotencorder.fit_transform(X_over).toarray()
X_dados = X_over # Se descomentar a linha de cima comentar essa.
#X_dados, X_dados.shape
#ESCALONAMENTO DE ATRIBUTOS
83
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler()
X_dados = scaler_dados.fit_transform(X_dados)
X_dados
#Separação dos dados BALANCEADOS
from sklearn.model_selection import train_test_split
X_dados_train_over, X_dados_test_over, y_dados_train_over, y_dados_test_over = train_test_s
X_dados_train_over.shape, X_dados_test_over.shape
((275, 6), (69, 6))
#Knn Classifier Balanced
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import classification_report, confusion_matrix,plot_confusion_matrix
from sklearn.preprocessing import StandardScaler
knn_modelcb = KNeighborsClassifier(n_neighbors=5, metric='minkowski', p = 2)
knn_modelcb.fit(X_dados_train_over, y_dados_train_over)
KNeighborsClassifier()
previsoes = knn_modelcb.predict(X_dados_test_over)
previsoes
array(['I', 'I', 'III', 'I', 'I', 'IV', 'III', 'I', 'I', 'I', 'III', 'II',
'IV', 'IV', 'I', 'II', 'I', 'I', 'I', 'I', 'IV', 'III', 'I', 'IV',
'I', 'I', 'III', 'I', 'II', 'I', 'I', 'IV', 'II', 'II', 'II', 'I',
'IV', 'IV', 'II', 'II', 'III', 'II', 'III', 'IV', 'IV', 'I', 'IV',
'IV', 'II', 'II', 'II', 'IV', 'II', 'III', 'III', 'I', 'III',
'III', 'I', 'I', 'II', 'IV', 'III', 'IV', 'I', 'IV', 'IV', 'III',
'IV'], dtype=object)
y_dados_test_over
array(['III', 'I', 'II', 'I', 'II', 'IV', 'III', 'I', 'I', 'II', 'II',
'I', 'III', 'IV', 'I', 'II', 'II',84'I', 'II', 'I', 'IV', 'II', 'I',
'III', 'I', 'I', 'III', 'II', 'II', 'I', 'I', 'IV', 'II', 'II',
'III', 'IV', 'IV', 'III', 'II', 'II', 'III', 'II', 'II', 'IV',
'IV', 'I', 'IV', 'IV', 'III', 'I', 'II', 'II', 'III', 'III', 'III',
'I', 'II', 'IV', 'I', 'I', 'I', 'IV', 'II', 'IV', 'I', 'IV', 'II',
'I', 'IV'], dtype=object)
from sklearn.metrics import accuracy_score, classification_report
accuracy_score(y_dados_test_over, previsoes) # padronização
0.6231884057971014
from yellowbrick.classifier import ConfusionMatrix
cm = ConfusionMatrix(knn_modelcb)
cm.fit(X_dados_train_over, y_dados_train_over)
cm.score(X_dados_test_over, y_dados_test_over)
0.6231884057971014
print(classification_report(y_dados_test_over, previsoes))
I
II
III
IV
accuracy
macro avg
weighted avg
precision
recall
f1-score
support
0.71
0.57
0.38
0.72
0.81
0.38
0.42
0.87
0.76
0.46
0.40
0.79
21
21
12
15
0.62
0.62
0.62
0.60
0.61
69
69
69
0.60
0.61
C2-02. RandomForestClassi er{Balanced} => 0.753
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
85
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,7:13].values
X_dados
age LYVE1
REG1B
TFF1
creatinine
plasma_
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
#label_encoder_sex = LabelEncoder()
#X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
#X_dados
# Sobreamostragem com SMOTE
from imblearn.over_sampling import SMOTE
smote = SMOTE(sampling_strategy='not majority', random_state=29)
#9 0.7971014492753623
X_over, y_over = smote.fit_resample(X_dados, y_dados)
#y_over.shape, X_over.shape
np.unique(y_dados, return_counts = True), np.unique(y_over, return_counts = True)
import seaborn as sns
sns.countplot(x = y_over);
#from sklearn.preprocessing import OneHotEncoder
#from sklearn.compose import ColumnTransformer
#onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remaind
#X_dados = onehotencorder.fit_transform(X_over).toarray()
X_dados = X_over
#X_dados, X_dados.shape
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler()
X_dados = scaler_dados.fit_transform(X_dados)
X_dados
#Separação dos dados BALANCEADOS
from sklearn.model_selection import train_test_split
X_dados_train_over, X_dados_test_over, y_dados_train_over, y_dados_test_over = train_test_s
X_dados_train_over.shape, X_dados_test_over.shape
86
((275, 6), (69, 6))
from sklearn.ensemble import RandomForestClassifier #1,6,300,10 -->0.681 | 1,5,200, 17 -->0
random_forest_dados = RandomForestClassifier(criterion = 'entropy', min_samples_leaf =
random_forest_dados.fit(X_dados_train_over, y_dados_train_over)
RandomForestClassifier(criterion='entropy', min_samples_split=5,
n_estimators=200, random_state=17)
from sklearn.metrics import accuracy_score, classification_report
previsoes = random_forest_dados.predict(X_dados_test_over)
accuracy_score(y_dados_test_over, previsoes)
0.7536231884057971
from yellowbrick.classifier import ConfusionMatrix
cm = ConfusionMatrix(random_forest_dados)
cm.fit(X_dados_train_over, y_dados_train_over)
cm.score(X_dados_test_over, y_dados_test_over)
0.7536231884057971
print(classification_report(y_dados_test_over, previsoes))
precision
recall
f1-score
87
support
1, m
I
II
III
IV
0.83
0.82
0.53
0.79
0.95
0.43
0.67
1.00
0.89
0.56
0.59
0.88
21
21
12
15
accuracy
macro avg
weighted avg
0.74
0.77
0.76
0.75
0.75
0.73
0.74
69
69
69
C2-03. SVM{Balanced} => 0.521, linear, 0, 10 |
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,7:13].values
X_dados
age LYVE1
REG1B
TFF1
creatinine
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
#label_encoder_sex = LabelEncoder()
#X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
#X_dados
# Sobreamostragem com SMOTE
from imblearn.over_sampling import SMOTE
import numpy as np
lista = []
count = 1
smote = SMOTE(sampling_strategy='not majority', random_state=16)
#2 - 47
X_over, y_over = smote.fit_resample(X_dados, y_dados)
#y_over.shape, X_over.shape
np.unique(y_dados, return_counts = True), np.unique(y_over, return_counts = True)
import seaborn as sns
sns.countplot(x = y_over);
88
plasma_
#from sklearn.preprocessing import OneHotEncoder
#from sklearn.compose import ColumnTransformer
#onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remaind
#X_dados = onehotencorder.fit_transform(X_over).toarray()
X_dados = X_over
#X_dados, X_dados.shape
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler()
X_dados = scaler_dados.fit_transform(X_dados)
X_dados
#Separação dos dados BALANCEADOS
from sklearn.model_selection import train_test_split
X_dados_train_over, X_dados_test_over, y_dados_train_over, y_dados_test_over = train_test_s
X_dados_train_over.shape, X_dados_test_over.shape
np.unique(y_dados, return_counts = True), np.unique(y_over, return_counts = True)
((array(['I', 'II', 'III', 'IV'], dtype=object), array([16, 86, 76, 21])),
(array(['I', 'II', 'III', 'IV'], dtype=object), array([86, 86, 86, 86])))
from sklearn.svm import SVC
svm_dados = SVC(kernel='linear', random_state=0, C = 10.0) # 2 -> 4
svm_dados.fit(X_dados_train_over, y_dados_train_over)
SVC(C=10.0, kernel='linear', random_state=0)
previsoes = svm_dados.predict(X_dados_test_over)
previsoes
array(['IV', 'IV', 'IV', 'IV', 'IV', 'I', 'I', 'I', 'IV', 'I', 'I', 'IV',
'IV', 'I', 'III', 'II', 'III', 'IV', 'II', 'II', 'I', 'I', 'IV',
'IV', 'I', 'I', 'IV', 'I', 'IV', 'IV', 'I', 'IV', 'I', 'I', 'IV',
'IV', 'III', 'IV', 'IV', 'I', 'I', 'IV', 'I', 'I', 'IV', 'III',
'III', 'IV', 'IV', 'III', 'IV', 'IV', 'I', 'II', 'IV', 'I', 'II',
89
'IV', 'II', 'I', 'I', 'I', 'IV', 'IV',
'IV', 'I', 'II', 'I', 'II'],
dtype=object)
Clique duas vezes (ou pressione "Enter") para editar
y_dados_test_over
array(['IV', 'IV', 'IV', 'III', 'IV', 'I', 'III', 'I', 'III', 'I', 'III',
'I', 'IV', 'III', 'II', 'II', 'I', 'I', 'II', 'II', 'I', 'I', 'IV',
'IV', 'II', 'I', 'I', 'III', 'IV', 'II', 'III', 'III', 'I', 'III',
'III', 'III', 'III', 'II', 'IV', 'II', 'II', 'III', 'III', 'I',
'IV', 'I', 'III', 'IV', 'IV', 'III', 'III', 'IV', 'III', 'III',
'IV', 'I', 'IV', 'II', 'II', 'I', 'III', 'II', 'IV', 'IV', 'II',
'II', 'II', 'I', 'II'], dtype=object)
from sklearn.metrics import accuracy_score, classification_report
#0.475, liner, 1, 1 | 0.425, poly, 1, 1 | #0.475, sigmoid, 1, 1 | 0.425, rbf, 1, 1
#0.434, rbf 1, 2 |0.521 linear, 0, 10
accuracy_score(y_dados_test_over, previsoes)
0.5217391304347826
from yellowbrick.classifier import ConfusionMatrix
cm = ConfusionMatrix(svm_dados)
cm.fit(X_dados_train_over, y_dados_train_over)
cm.score(X_dados_test_over, y_dados_test_over)
0.5217391304347826
print(classification_report(y_dados_test_over, previsoes))
precision
recall
f1-score
support
I
II
III
IV
0.44
0.75
0.50
0.53
0.69
0.38
0.15
0.94
0.54
0.50
0.23
0.68
16
16
20
17
accuracy
macro avg
0.56
0.54
0.52
90
0.49
69
69
weighted avg
0.55
0.52
0.48
69
C2-04. Agrupamento Hierarquico
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
age LYVE1
REG1B
TFF1
creatinine
plasma_
X_dados = dados.iloc[:,7:13].values
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
# label_encoder_sex = LabelEncoder()
# X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
# Sobreamostragem com SMOTE
from imblearn.over_sampling import SMOTE
smote = SMOTE(sampling_strategy='not majority')
X_over, y_over = smote.fit_resample(X_dados, y_dados)
#y_over.shape, X_over.shape
np.unique(y_dados, return_counts = True), np.unique(y_over, return_counts = True)
import seaborn as sns
sns.countplot(x = y_over);
# from sklearn.preprocessing import OneHotEncoder
# from sklearn.compose import ColumnTransformer
# onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remain
# X_dados = onehotencorder.fit_transform(X_over).toarray()
#X_dados, X_dados.shape
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler()
X_dados = scaler_dados.fit_transform(X_over)
X_dados
91
#Separação dos dados BALANCEADOS
from sklearn.model_selection import train_test_split
X_dados_train_over, X_dados_test_over, y_dados_train_over, y_dados_test_over = train_test_s
#Reduzir as dimensões de dimensões.
from sklearn.decomposition import PCA
import plotly.express as px
pca = PCA(n_components=None)
X_dados_train_pca = pca.fit_transform(X_dados_train_over)
X_dados_test_pca = pca.transform(X_dados_test_over)
X_dados_train_pca.shape, X_dados_test_pca.shape,
((275, 6), (69, 6))
#X_dados_train_pca
pca.explained_variance_ratio_
array([0.39200402, 0.2054243 , 0.14428326, 0.12368825, 0.08509268,
0.04950749])
pca.explained_variance_ratio_.sum()
1.0
grafico = px.scatter(x = X_dados_train_pca[:,0], y= X_dados_train_pca[:,1])
grafico.show()
92
10
8
y
6
4
2
0
−2
−2
0
2
4
6
8
10
x
import matplotlib.pyplot as plt
from scipy.cluster.hierarchy import dendrogram, linkage
dendrograma = dendrogram(linkage(X_dados_train_pca, method='ward'))
plt.title('Dendrograma')
plt.xlabel('Biomarcadores')
plt.ylabel('Distância');
from sklearn.cluster import AgglomerativeClustering
93
hc_dados_agrup = AgglomerativeClustering(n_clusters=2, linkage='ward', affinity='euclidean'
rotulos = hc_dados_agrup.fit_predict(X_dados_train_pca)
rotulos
array([0, 0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 1, 1, 0,
1, 1, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 1,
1, 0, 1, 0, 0, 0, 0, 1, 0, 1, 0, 1, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0,
0, 1, 0, 1, 0, 0, 0, 1, 1, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0,
0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 1, 0, 1, 0, 0, 1, 1, 0, 0, 0, 0,
0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 1, 0, 0, 0, 0, 0, 0,
1, 0, 1, 1, 0, 0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
1, 0, 0, 0, 0, 1, 1, 0, 1, 0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 0, 0, 1,
0, 0, 0, 1, 0, 1, 0, 0, 0, 1, 1, 1, 1, 1, 0, 1, 0, 0, 1, 0, 0, 0,
1, 1, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 1, 1, 1, 0, 0, 0,
0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 1])
y_dados_train
array(['III', 'II', 'III', 'II', 'II', 'I', 'III', 'II', 'III', 'III',
'III', 'III', 'II', 'III', 'III', 'II', 'III', 'III', 'II', 'III',
'III', 'IV', 'II', 'IV', 'I', 'II', 'III', 'IV', 'II', 'II', 'II',
'III', 'II', 'III', 'II', 'II', 'I', 'III', 'I', 'II', 'IV', 'III',
'II', 'II', 'I', 'II', 'II', 'II', 'III', 'IV', 'II', 'III', 'IV',
'III', 'I', 'III', 'III', 'II', 'II', 'II', 'II', 'II', 'II', 'II',
'II', 'II', 'II', 'III', 'II', 'III', 'II', 'II', 'II', 'III',
'III', 'II', 'III', 'II', 'IV', 'II', 'IV', 'II', 'III', 'IV',
'IV', 'III', 'III', 'II', 'III', 'II', 'II', 'III', 'IV', 'III',
'II', 'IV', 'I', 'III', 'I', 'II', 'II', 'III', 'II', 'II', 'II',
'II', 'III', 'III', 'II', 'I', 'III', 'III', 'II', 'III', 'IV',
'II', 'III', 'III', 'II', 'II', 'I', 'II', 'IV', 'III', 'III',
'III', 'I', 'II', 'I', 'IV', 'III', 'III', 'II', 'III', 'III',
'III', 'III', 'III', 'II', 'II', 'III', 'II', 'II', 'II', 'II',
'IV', 'III', 'III', 'I', 'III', 'III', 'III', 'IV', 'I', 'II',
'III', 'III', 'IV', 'II'], dtype=object)
grafico = px.scatter(x = X_dados_train_pca[:,0], y = X_dados_train_pca[:,1], color = rotulo
grafico.show()
94
1
color
10
0.8
8
y
6
0.6
4
0.4
2
0.2
0
−2
0
−2
0
2
4
x
0s
conclusão: 14:07
95
6
8
10
Cenário 3:{ Biomarcadores com Idade e Sexo | Dados Não
balanceados}
**Visão dos Dados #1. IMPORTAR O DATASET (COLUNAS IMPORTANTES: AGE, SEX, LYVE1, REG1B, TFF1 ==> ALVO PREVER A
#!pip install plotly --upgrade
#Baixar os dados e jogar na variável DADOS
import pandas as pd
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
dados = dados.fillna(1, inplace= False)
# 16 colunas
dados
sample_id
patient_cohort
sample_origin
diagnosis
stage
sex
age
LYVE1
0
S497
Cohort1
ESP
3
I
F
81
12.017150
431
1
S456
Cohort1
LIV
3
IA
M
57
2.628425
40
2
S520
Cohort1
BPTB
3
IA
M
55
2.830541
33
3
S573
Cohort2
BPTB
3
IA
M
58
0.632433
188
4
S401
Cohort1
LIV
3
IB
M
73
12.245820
196
...
...
...
...
...
...
...
...
...
194
S549
Cohort2
BPTB
3
IV
M
68
7.058209
156
195
S558
Cohort2
BPTB
3
IV
F
71
8.341207
16
196
S560
Cohort2
BPTB
3
IV
M
63
7.674707
289
197
S583
Cohort2
BPTB
3
IV
F
75
8.206777
205
198
S590
Cohort1
BPTB
3
IV
M
74
8.200958
411
199 rows × 14 columns
#Avaliar o número de amostras para cada classe(estadiamento)
import numpy as np
np.unique(dados['stage2'], return_counts = True)
(array(['I', 'II', 'III', 'IV'], dtype=object),
array([16, 86, 76, 21]))
96
#Gerar um gráfico para avaliar visualmente o número de amostras para cada classe, objetivo
import seaborn as sns
sns.countplot(x = dados['stage2']);
C3-01. KnnClassi er{Unbalanced} => 0.425
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,5:13].values
X_dados
age LYVE1
REG1B
TFF1
creatinine
plasma_
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
label_encoder_sex = LabelEncoder()
X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
X_dados
#Onehot
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
onehotencorder = ColumnTransformer(transformers=[("OneHot",
OneHotEncoder(), [0])],remainde
97
X_dados = onehotencorder.fit_transform(X_dados)
X_dados
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler()
X_dados = scaler_dados.fit_transform(X_dados)
#Separação dos dados SEM o balanceamento
from sklearn.model_selection import train_test_split
X_dados_train , X_dados_test, y_dados_train, y_dados_test = train_test_split(X_dados, y_dad
X_dados_train.shape, X_dados_test.shape
((159, 9), (40, 9))
#KNN CLASSIFICADOR
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import classification_report, confusion_matrix,plot_confusion_matrix
from sklearn.preprocessing import StandardScaler
knn_modelc = KNeighborsClassifier(n_neighbors=5, metric='minkowski', p = 3)
knn_modelc.fit(X_dados_train, y_dados_train)
KNeighborsClassifier(p=3)
previsoes = knn_modelc.predict(X_dados_test)
previsoes1 = previsoes
yprev1train = y_dados_test
y_dados_test
array(['II', 'III', 'III', 'II', 'III', 'IV', 'I', 'III', 'I', 'III',
'II', 'III', 'III', 'III', 'II', 'I', 'II', 'III', 'II', 'II',
'III', 'III', 'II', 'III', 'II', 'III', 'IV', 'IV', 'II', 'II',
'II', 'II', 'II', 'III', 'II', 'IV', 'III', 'I', 'III', 'IV'],
dtype=object)
from sklearn.metrics import accuracy_score, classification_report
accuracy_score(y_dados_test, previsoes) # padronização
0.425
from yellowbrick.classifier import ConfusionMatrix
cm = ConfusionMatrix(knn_modelc)
cm.fit(X_dados_train, y_dados_train)
cm.score(X_dados_test, y_dados_test)
98
0.425
print(classification_report(y_dados_test, previsoes))
I
II
III
IV
accuracy
macro avg
weighted avg
precision
recall
f1-score
support
0.00
0.42
0.45
1.00
0.00
0.73
0.31
0.20
0.00
0.54
0.37
0.33
4
15
16
5
0.31
0.42
0.42
0.31
0.39
40
40
40
0.47
0.47
C3-02. RandomForestClassi er{Unbalanced} => 0.575
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,5:13].values
X_dados
age LYVE1
REG1B
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
label_encoder_sex = LabelEncoder()
X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
X_dados
#Onehot
99
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
TFF1
creatinine
plasma_
onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remainde
X_dados = onehotencorder.fit_transform(X_dados)
X_dados
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler()
X_dados = scaler_dados.fit_transform(X_dados)
#Separação dos dados SEM o balanceamento
from sklearn.model_selection import train_test_split
X_dados_train , X_dados_test, y_dados_train, y_dados_test = train_test_split(X_dados, y_dad
X_dados_train.shape, X_dados_test.shape
X_random_forest_dados_sb_teste = X_dados_test
y_random_forest_dados_sb_teste = y_dados_test
#RANDOM FOREST CLASSIFIER
from sklearn.ensemble import RandomForestClassifier
random_forest_dados_sb = RandomForestClassifier(criterion = 'entropy', min_samples_leaf =
random_forest_dados_sb.fit(X_dados_train, y_dados_train)
RandomForestClassifier(criterion='entropy', min_samples_split=5,
n_estimators=200, random_state=0)
from sklearn.metrics import accuracy_score, classification_report
previsoes = random_forest_dados_sb.predict(X_dados_test)
accuracy_score(y_dados_test, previsoes)
0.575
from yellowbrick.classifier import ConfusionMatrix
cm = ConfusionMatrix(random_forest_dados_sb)
cm.fit(X_dados_train, y_dados_train)
cm.score(X_dados_test, y_dados_test)
100
0.575
print(classification_report(y_dados_test, previsoes))
precision
recall
f1-score
support
I
II
III
IV
0.50
0.50
0.67
1.00
0.25
0.80
0.50
0.40
0.33
0.62
0.57
0.57
4
15
16
5
accuracy
macro avg
weighted avg
0.67
0.63
0.49
0.57
0.57
0.52
0.56
40
40
40
C3-03. SVM{Unbalanced} => 0.575, liner, 1, 1 | 0.575, sigmoid, 1, 1
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,5:13].values
X_dados
age LYVE1
REG1B
TFF1
creatinine
plasma_
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
label_encoder_sex = LabelEncoder()
X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
X_dados
#Onehot
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remainde
X_dados = onehotencorder.fit_transform(X_dados)
X_dados
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler() #(with_mean=False)
X_dados = scaler_dados.fit_transform(X_dados)
101
#Separação dos dados SEM o balanceamento
from sklearn.model_selection import train_test_split
X_dados_train , X_dados_test, y_dados_train, y_dados_test = train_test_split(X_dados, y_dad
X_dados_train.shape, X_dados_test.shape
((159, 9), (40, 9))
from sklearn.svm import SVC
svm_dados = SVC(kernel='linear', random_state=1, C = 1.0) # 2 -> 4
svm_dados.fit(X_dados_train, y_dados_train)
SVC(kernel='linear', random_state=1)
previsoes = svm_dados.predict(X_dados_test)
previsoes
array(['II', 'II', 'II', 'III', 'III', 'III', 'II', 'II', 'III', 'II',
'III', 'II', 'II', 'II', 'III', 'II', 'II', 'II', 'II', 'II', 'II',
'II', 'II', 'III', 'II', 'II', 'II', 'III', 'II', 'II', 'II', 'II',
'II', 'II', 'II', 'II', 'II', 'III', 'III', 'II'], dtype=object)
y_dados_test
array(['III', 'II', 'III', 'III', 'III', 'III', 'III', 'I', 'II', 'II',
'IV', 'II', 'II', 'II', 'II', 'III', 'I', 'II', 'III', 'III', 'IV',
'II', 'II', 'III', 'II', 'II', 'III', 'II', 'II', 'II', 'II',
'III', 'II', 'III', 'II', 'II', 'IV', 'III', 'III', 'II'],
dtype=object)
from sklearn.metrics import accuracy_score, classification_report
#0.575, liner, 1, 1 | 0.425, poly, 1, 1 | #0.475, sigmoid, 1, 1 | 0.425, rbf, 1, 1
accuracy_score(y_dados_test, previsoes)
0.575
from yellowbrick.classifier import ConfusionMatrix
cm = ConfusionMatrix(svm_dados)
cm.fit(X_dados_train, y_dados_train)
cm.score(X_dados_test, y_dados_test)
102
0.575
print(classification_report(y_dados_test, previsoes))
precision
recall
f1-score
support
I
II
III
IV
0.00
0.57
0.60
0.00
0.00
0.85
0.40
0.00
0.00
0.68
0.48
0.00
2
20
15
3
accuracy
macro avg
weighted avg
0.29
0.51
0.31
0.57
0.57
0.29
0.52
40
40
40
/usr/local/lib/python3.7/dist-packages/sklearn/metrics/_classification.py:1318: Undefi
Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted
/usr/local/lib/python3.7/dist-packages/sklearn/metrics/_classification.py:1318: Undefi
Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted
/usr/local/lib/python3.7/dist-packages/sklearn/metrics/_classification.py:1318: Undefi
Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted
Cenário 4:{ Biomarcadores com Idade e Sexo | Dados Não
balanceados}
02. KnnClassi er{Balanced}0.608
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,5:13].values
X_dados
#Separando a classe alvo | stage2
age LYVE1
103
REG1B
TFF1
creatinine
plasma_
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
label_encoder_sex = LabelEncoder()
X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
X_dados
# Sobreamostragem com SMOTE
from imblearn.over_sampling import SMOTE
import numpy as np
smote = SMOTE(sampling_strategy='not majority', random_state=3)
X_over, y_over = smote.fit_resample(X_dados, y_dados)
#y_over.shape, X_over.shape
np.unique(y_dados, return_counts = True), np.unique(y_over, return_counts = True)
import seaborn as sns
sns.countplot(x = y_over);
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remainde
X_dados = onehotencorder.fit_transform(X_over).toarray()
#X_dados, X_dados.shape
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler()
X_dados = scaler_dados.fit_transform(X_dados)
X_dados
#Separação dos dados BALANCEADOS
from sklearn.model_selection import train_test_split
X_dados_train_over, X_dados_test_over, y_dados_train_over, y_dados_test_over = train_test_s
X_dados_train_over.shape, X_dados_test_over.shape
104
((275, 82), (69, 82))
#Knn Classifier Balanced
from sklearn.neighbors import KNeighborsClassifier
from sklearn.metrics import classification_report, confusion_matrix,plot_confusion_matrix
from sklearn.preprocessing import StandardScaler
knn_modelcb = KNeighborsClassifier(n_neighbors=5, metric='minkowski', p = 2)
knn_modelcb.fit(X_dados_train_over, y_dados_train_over)
KNeighborsClassifier()
previsoes = knn_modelcb.predict(X_dados_test_over)
previsoes
array(['I', 'II', 'II', 'I', 'I', 'IV', 'IV', 'I', 'I', 'I', 'I', 'II',
'III', 'II', 'I', 'II', 'III', 'I', 'II', 'III', 'IV', 'II', 'I',
'III', 'I', 'I', 'III', 'I', 'II', 'I', 'I', 'IV', 'III', 'III',
'III', 'I', 'IV', 'IV', 'II', 'II', 'II', 'III', 'I', 'IV', 'IV',
'I', 'IV', 'III', 'IV', 'I', 'II', 'II', 'II', 'IV', 'III', 'I',
'III', 'III', 'I', 'I', 'II', 'II', 'I', 'IV', 'I', 'IV', 'II',
'I', 'IV'], dtype=object)
y_dados_test_over
array(['III', 'I', 'II', 'I', 'II', 'IV', 'III', 'I', 'I', 'II', 'II',
'I', 'III', 'IV', 'I', 'II', 'II', 'I', 'II', 'I', 'IV', 'II', 'I',
'III', 'I', 'I', 'III', 'II', 'II', 'I', 'I', 'IV', 'II', 'II',
'III', 'IV', 'IV', 'III', 'II', 'II', 'III', 'II', 'II', 'IV',
'IV', 'I', 'IV', 'IV', 'III', 'I', 'II', 'II', 'III', 'III', 'III',
'I', 'II', 'IV', 'I', 'I', 'I', 'IV', 'II', 'IV', 'I', 'IV', 'II',
'I', 'IV'], dtype=object)
from sklearn.metrics import accuracy_score, classification_report
accuracy_score(y_dados_test_over, previsoes) # padronização
0.6086956521739131
from yellowbrick.classifier import ConfusionMatrix
cm = ConfusionMatrix(knn_modelcb)
cm.fit(X_dados_train_over, y_dados_train_over)
cm.score(X_dados_test_over, y_dados_test_over)
105
0.6086956521739131
print(classification_report(y_dados_test_over, previsoes))
I
II
III
IV
accuracy
macro avg
weighted avg
precision
recall
f1-score
support
0.68
0.59
0.38
0.71
0.81
0.48
0.42
0.67
0.74
0.53
0.40
0.69
21
21
12
15
0.59
0.61
0.61
0.59
0.60
69
69
69
0.59
0.61
04. RandomForestClassi er{Balanced} => 0.81
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,5:13].values
X_dados
age LYVE1
REG1B
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
label_encoder_sex = LabelEncoder()
X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
X_dados
# Sobreamostragem com SMOTE
from imblearn.over_sampling import SMOTE
smote = SMOTE(sampling_strategy='not majority', random_state=29)
#9 0.7971014492753623
106
X_over, y_over = smote.fit_resample(X_dados, y_dados)
TFF1
creatinine
plasma_
#y_over.shape, X_over.shape
np.unique(y_dados, return_counts = True), np.unique(y_over, return_counts = True)
import seaborn as sns
sns.countplot(x = y_over);
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remainde
X_dados = onehotencorder.fit_transform(X_over).toarray()
#X_dados, X_dados.shape
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler()
X_dados = scaler_dados.fit_transform(X_dados)
X_dados
#Separação dos dados BALANCEADOS
from sklearn.model_selection import train_test_split
X_dados_train_over, X_dados_test_over, y_dados_train_over, y_dados_test_over = train_test_s
X_dados_train_over.shape, X_dados_test_over.shape
((275, 92), (69, 92))
from sklearn.ensemble import RandomForestClassifier #1,6,300,10 -->0.681 | 1,5,200, 17 -->0
random_forest_dados = RandomForestClassifier(criterion = 'entropy', min_samples_leaf =
random_forest_dados.fit(X_dados_train_over, y_dados_train_over)
RandomForestClassifier(criterion='entropy', min_samples_split=5,
n_estimators=200, random_state=17)
from sklearn.metrics import accuracy_score, classification_report
previsoes = random_forest_dados.predict(X_dados_test_over)
accuracy_score(y_dados_test_over, previsoes) 107
1, m
0.8115942028985508
from yellowbrick.classifier import ConfusionMatrix
cm = ConfusionMatrix(random_forest_dados)
cm.fit(X_dados_train_over, y_dados_train_over)
cm.score(X_dados_test_over, y_dados_test_over)
0.8115942028985508
print(classification_report(y_dados_test_over, previsoes))
precision
recall
f1-score
support
I
II
III
IV
0.90
0.80
0.62
0.88
0.90
0.57
0.83
1.00
0.90
0.67
0.71
0.94
21
21
12
15
accuracy
macro avg
weighted avg
0.80
0.82
0.83
0.81
0.81
0.81
0.81
69
69
69
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,5:13].values
X_dados
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
age LYVE1
108
REG1B
TFF1
creatinine
plasma_
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
label_encoder_sex = LabelEncoder()
X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
X_dados
#Onehot
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remainde
X_dados = onehotencorder.fit_transform(X_dados)
X_dados
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler()
X_dados = scaler_dados.fit_transform(X_dados)
#Separação dos dados SEM o balanceamento
from sklearn.model_selection import train_test_split
X_dados_train , X_dados_test, y_dados_train, y_dados_test = train_test_split(X_dados, y_dad
X_dados_train.shape, X_dados_test.shape
((159, 9), (40, 9))
from sklearn.svm import SVC
svm_dados = SVC(kernel='linear', random_state=1, C = 1.0) # 2 -> 4
svm_dados.fit(X_dados_train, y_dados_train)
SVC(kernel='linear', random_state=1)
previsoes = svm_dados.predict(X_dados_test)
previsoes
array(['II', 'II', 'II', 'III', 'III', 'III', 'II', 'II', 'III', 'II',
'III', 'II', 'II', 'II', 'III', 'II', 'II', 'II', 'II', 'II', 'II',
'II', 'II', 'III', 'II', 'II', 'II', 'III', 'II', 'II', 'II', 'II',
'II', 'II', 'II', 'II', 'II', 'III', 'III', 'II'], dtype=object)
y_dados_test
array(['III', 'II', 'III', 'III', 'III', 'III', 'III', 'I', 'II', 'II',
'IV', 'II', 'II', 'II', 'II', 'III', 'I', 'II', 'III', 'III', 'IV',
'II', 'II', 'III', 'II', 'II', 'III', 'II', 'II', 'II', 'II',
'III', 'II', 'III', 'II', 'II', 'IV', 'III', 'III', 'II'],
dtype=object)
from sklearn.metrics import accuracy_score, classification_report
109 sigmoid, 1, 1 | 0.425, rbf, 1, 1
#0.575, liner, 1, 1 | 0.425, poly, 1, 1 | #0.475,
accuracy_score(y_dados_test, previsoes)
0.575
from yellowbrick.classifier import ConfusionMatrix
cm = ConfusionMatrix(svm_dados)
cm.fit(X_dados_train, y_dados_train)
cm.score(X_dados_test, y_dados_test)
0.575
print(classification_report(y_dados_test, previsoes))
precision
recall
f1-score
support
I
II
III
IV
0.00
0.57
0.60
0.00
0.00
0.85
0.40
0.00
0.00
0.68
0.48
0.00
2
20
15
3
accuracy
macro avg
weighted avg
0.29
0.51
0.31
0.57
0.57
0.29
0.52
40
40
40
/usr/local/lib/python3.7/dist-packages/sklearn/metrics/_classification.py:1318: Undefi
Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted
/usr/local/lib/python3.7/dist-packages/sklearn/metrics/_classification.py:1318: Undefi
Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted
/usr/local/lib/python3.7/dist-packages/sklearn/metrics/_classification.py:1318: Undefi
Precision and F-score are ill-defined and being set to 0.0 in labels with no predicted
06. SVM{Balanced} => 0.579, linear, 0, 10 |
110
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,5:13].values
X_dados
age LYVE1
REG1B
TFF1
creatinine
plasma_
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
label_encoder_sex = LabelEncoder()
X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
X_dados
# Sobreamostragem com SMOTE
from imblearn.over_sampling import SMOTE
import numpy as np
lista = []
count = 1
smote = SMOTE(sampling_strategy='not majority', random_state=16)
#2 - 47
X_over, y_over = smote.fit_resample(X_dados, y_dados)
#y_over.shape, X_over.shape
np.unique(y_dados, return_counts = True), np.unique(y_over, return_counts = True)
import seaborn as sns
sns.countplot(x = y_over);
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remainde
X_dados = onehotencorder.fit_transform(X_over).toarray()
#X_dados, X_dados.shape
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler()
X_dados = scaler_dados.fit_transform(X_dados)
X_dados
#Separação dos dados BALANCEADOS
111
from sklearn.model_selection import train_test_split
X_dados_train_over, X_dados_test_over, y_dados_train_over, y_dados_test_over = train_test_s
X_dados_train_over.shape, X_dados_test_over.shape
np.unique(y_dados, return_counts = True), np.unique(y_over, return_counts = True)
((array(['I', 'II', 'III', 'IV'], dtype=object), array([16, 86, 76, 21])),
(array(['I', 'II', 'III', 'IV'], dtype=object), array([86, 86, 86, 86])))
from sklearn.svm import SVC
svm_dados = SVC(kernel='linear', random_state=0, C = 10.0) # 2 -> 4
svm_dados.fit(X_dados_train_over, y_dados_train_over)
SVC(C=10.0, kernel='linear', random_state=0)
previsoes = svm_dados.predict(X_dados_test_over)
previsoes
array(['IV', 'IV', 'IV', 'III', 'II', 'I', 'I', 'II', 'IV', 'I', 'I',
'IV', 'IV', 'I', 'II', 'II', 'III', 'III', 'II', 'II', 'I', 'I',
'IV', 'IV', 'III', 'I', 'IV', 'II', 'IV', 'II', 'I', 'II', 'I',
'III', 'IV', 'III', 'III', 'IV', 'III', 'II', 'II', 'IV', 'II',
'I', 'III', 'III', 'II', 'IV', 'IV', 'III', 'III', 'III', 'I',
'II', 'III', 'I', 'IV', 'IV', 'II', 'I', 'I', 'II', 'IV', 'IV',
'II', 'I', 'II', 'I', 'II'], dtype=object)
Clique duas vezes (ou pressione "Enter") para editar
y_dados_test_over
array(['IV', 'IV', 'IV', 'III', 'IV', 'I', 'III', 'I', 'III', 'I', 'III',
'I', 'IV', 'III', 'II', 'II', 'I', 'I', 'II', 'II', 'I', 'I', 'IV',
'IV', 'II', 'I', 'I', 'III', 'IV', 'II', 'III', 'III', 'I', 'III',
'III', 'III', 'III', 'II', 'IV', 'II', 'II', 'III', 'III', 'I',
'IV', 'I', 'III', 'IV', 'IV', 'III', 'III', 'IV', 'III', 'III',
'IV', 'I', 'IV', 'II', 'II', 'I', 'III', 'II', 'IV', 'IV', 'II',
112
'II', 'II', 'I', 'II'], dtype=object)
from sklearn.metrics import accuracy_score, classification_report
#0.475, liner, 1, 1 | 0.425, poly, 1, 1 | #0.475, sigmoid, 1, 1 | 0.425, rbf, 1, 1
#0.434, rbf 1, 2 |0.521 linear, 0, 10
accuracy_score(y_dados_test_over, previsoes)
0.5797101449275363
from yellowbrick.classifier import ConfusionMatrix
cm = ConfusionMatrix(svm_dados)
cm.fit(X_dados_train_over, y_dados_train_over)
cm.score(X_dados_test_over, y_dados_test_over)
0.5797101449275363
print(classification_report(y_dados_test_over, previsoes))
precision
recall
f1-score
support
I
II
III
IV
0.59
0.63
0.43
0.63
0.62
0.75
0.30
0.71
0.61
0.69
0.35
0.67
16
16
20
17
accuracy
macro avg
weighted avg
0.57
0.56
0.60
0.58
0.58
0.58
0.57
69
69
69
07. Agrupamento Hierarquico
#PREPARAR OS DADOS ==> Importar e tratar os dados
import pandas as pd
# Importando o Arquivo
113
dados = pd.read_csv("dataMODIFICADOv10F.csv", sep=",")
#Transformando os nulos para 0
dados = dados.fillna(1, inplace= False)
#Separando as variaveis de interesse | sex
X_dados = dados.iloc[:,5:13].values
X_dados
age LYVE1
REG1B
TFF1
creatinine
plasma_
#Separando a classe alvo | stage2
y_dados = dados.iloc[:,13].values
y_dados
# Tratando as colunas que São rotulos | sex
from sklearn.preprocessing import LabelEncoder
label_encoder_sex = LabelEncoder()
X_dados[:,0] = label_encoder_sex.fit_transform(X_dados[:,0])
# Sobreamostragem com SMOTE
from imblearn.over_sampling import SMOTE
smote = SMOTE(sampling_strategy='not majority')
X_over, y_over = smote.fit_resample(X_dados, y_dados)
#y_over.shape, X_over.shape
np.unique(y_dados, return_counts = True), np.unique(y_over, return_counts = True)
import seaborn as sns
sns.countplot(x = y_over);
from sklearn.preprocessing import OneHotEncoder
from sklearn.compose import ColumnTransformer
onehotencorder = ColumnTransformer(transformers=[("OneHot", OneHotEncoder(), [0])],remainde
X_dados = onehotencorder.fit_transform(X_over).toarray()
#X_dados, X_dados.shape
#ESCALONAMENTO DE ATRIBUTOS
from sklearn.preprocessing import StandardScaler
scaler_dados = StandardScaler()
X_dados = scaler_dados.fit_transform(X_over)
X_dados
#Separação dos dados BALANCEADOS
from sklearn.model_selection import train_test_split
X_dados_train_over, X_dados_test_over, y_dados_train_over, y_dados_test_over = train_test_s
114
#Reduzir as dimensões de dimensões.
from sklearn.decomposition import PCA
import plotly.express as px
pca = PCA(n_components=2)
X_dados_train_pca = pca.fit_transform(X_dados_train_over)
X_dados_test_pca = pca.transform(X_dados_test_over)
X_dados_train_pca.shape, X_dados_test_pca.shape,
((275, 2), (69, 2))
#X_dados_train_pca
pca.explained_variance_ratio_
array([0.31860026, 0.15550037])
pca.explained_variance_ratio_.sum()
0.47410062534549513
grafico = px.scatter(x = X_dados_train_pca[:,0], y= X_dados_train_pca[:,1])
grafico.show()
115
4
3
y
import matplotlib.pyplot
as plt
2
from scipy.cluster.hierarchy import dendrogram, linkage
1
dendrograma = dendrogram(linkage(X_dados_train_pca, method='ward'))
plt.title('Dendrograma')
0
plt.xlabel('Biomarcadores')
plt.ylabel('Distância');
−1
−2
−3
−2
0
2
4
6
8
10
x
from sklearn.cluster import AgglomerativeClustering
hc_dados_agrup = AgglomerativeClustering(n_clusters=2, linkage='ward', affinity='euclidean'
rotulos = hc_dados_agrup.fit_predict(X_dados_train_pca)
grafico = px.scatter(x = X_dados_train_pca[:,0], y = X_dados_train_pca[:,1], color = rotulo
grafico.show()
116
1
color
4
0.8
3
2
y
0.6
1
0.4
0
−1
0.2
−2
−3
0
−2
0
2
4
6
x
0s
conclusão: 14:12
117
8
10