Câncer do colo uterino: rastreamento, marcador biológico e polimorfismo genético

Existem fortes evidências de que os programas de rastreamento baseados em citologia resultaram em diminuição significativa da incidência e mortalidade por câncer do colo do útero, no entanto, um excesso substancial de tratamento de lesões intraepiteliais de baixo grau que dificilmente progrediriam para carcinoma cervical resulta da baixa especificidade do tradicional rastreio citológico. A detecção precoce das lesões através do rastreamento citológico e a avaliação do grau histológico em espécimes cervicais são fundamentais, entretanto não permitem identificar quais pacientes terão maior probabilidade de progressão para lesões de alto grau e carcinoma invasivo. A busca de potenciais marcadores de prognóstico; objetivando o entendimento da progressão das lesões intraepiteliais é de suma importância. Acredita-se que fatores imunoregulatórios, imunogenéticos e proteínas do ciclo celular estejam intimamente envolvidos no processo de carcinogênese. Considerando o exposto, a proposta do projeto foi inicialmente avaliar a eficácia da citologia oncológica no rastreamento do câncer cervical, foi investigado ainda o polimorfismo do gene do fator de transcrição FOXP3 e a expressão da proteína do ciclo celular P63 (P63) associados respectivamente a diagnóstico e prognóstico das lesões cervicais. Em um primeiro momento foi realizado estudo transversal que envolveu 3194 mulheres. As participantes foram submetidas à citologia e biópsia de colo dirigida por colposcopia e os resultados foram comparados para verificar-se a acurácia do teste de Papanicolaou na detecção de lesões intraepiteliais e câncer cervical. Posteriormente, realizou-se estudo comparativo do tipo observacional estratificado em três grupos: Grupo 1: 16 casos com diagnóstico histopatológico de metaplasia/cervicite, considerados normais, Grupo 2: 11 casos com lesão de baixo grau (LSIL) e Grupo 3: 15 casos com lesão de alto grau (HSIL) ou carcinoma epidermoide de colo. Um total de 42 participantes respondeu a um questionário epidemiológico padronizado sobre as características demográficas, hábitos pregressos, história reprodutiva e de comportamento sexual. Após exame colposcópico, foram coletados fragmentos de espécimes cervicais para a pesquisa da expressão proteica da P63 por imunohistoquímica. Amostras de sangue periférico foram coletadas para extração do DNA e detecção do polimorfismo do gene FOXP3. No primeiro estudo em que se avaliou a acurácia do teste de Papanicolaou, encontrou-se sensibilidade de 0,83, valor preditivo positivo (VPP) de 0,77 e especificidade de 0,23 no rastreamento das lesões cervicais e câncer de colo. viii Melhores resultados foram observados quando se avaliou a acurácia diagnóstica para lesões de alto grau e carcinoma com VPP de 0,99 e especificidade de 0,84.No estudo subsequente onde se comparou a expressão da proteína P63 observou-se maior número de núcleos marcados no grupo com lesões intraepiteliais de alto grau e câncer quando comparado ao grupo com biópsias negativas (p=0,0004). No último estudo pesquisou-se a associação do polimorfismo do gene FOXP3 com lesões intraepiteliais cervicais sendo evidenciada maior prevalência do genótipo heterozigoto, CT, no grupo com lesões de colo na histopatologia (p=0,027). Mulheres com lesões intraepiteliais de baixo ou alto grau e câncer de colo de útero apresentam maior expressão da proteína P63 e maior prevalência de genótipo heterozigoto do gene FOXP3 em comparação com as sem lesões cervicais. A associação da pesquisa da expressão da proteína e do polimorfismo do gene pode tornar os exames utilizados atualmente para a avaliação diagnóstica e prognóstica das lesões de colo uterino mais efetivos em detectar quais as mulheres com maior risco para progressão para câncer

Estudo avaliativo de um algoritmo genético auto-organizável e multiobjetivo utilizando aprendizado de máquina para aplicações de telecomunicações

This paper presents an evaluative study about the effects of using a machine learning technique on the main features of a self-organizing and multiobjective genetic algorithm (GA). A typical GA can be seen as a search technique which is usually applied in problems involving no polynomial complexity. Originally, these algorithms were designed to create methods that seek acceptable solutions to problems where the global optimum is inaccessible or difficult to obtain. At first, the GAs considered only one evaluation function and a single objective optimization. Today, however, implementations that consider several optimization objectives simultaneously (multiobjective algorithms) are common, besides allowing the change of many components of the algorithm dynamically (self-organizing algorithms). At the same time, they are also common combinations of GAs with machine learning techniques to improve some of its characteristics of performance and use. In this work, a GA with a machine learning technique was analyzed and applied in a antenna design. We used a variant of bicubic interpolation technique, called 2D Spline, as machine learning technique to estimate the behavior of a dynamic fitness function, based on the knowledge obtained from a set of laboratory experiments. This fitness function is also called evaluation function and, it is responsible for determining the fitness degree of a candidate solution (individual), in relation to others in the same population. The algorithm can be applied in many areas, including in the field of telecommunications, as projects of antennas and frequency selective surfaces. In this particular work, the presented algorithm was developed to optimize the design of a microstrip antenna, usually used in wireless communication systems for application in Ultra-Wideband (UWB). The algorithm allowed the optimization of two variables of geometry antenna - the length (Ls) and width (Ws) a slit in the ground plane with respect to three objectives: radiated signal bandwidth, return loss and central frequency deviation. These two dimensions (Ws and Ls) are used as variables in three different interpolation functions, one Spline for each optimization objective, to compose a multiobjective and aggregate fitness function. The final result proposed by the algorithm was compared with the simulation program result and the measured result of a physical prototype of the antenna built in the laboratory. In the present study, the algorithm was analyzed with respect to their success degree in relation to four important characteristics of a self-organizing multiobjective GA: performance, flexibility, scalability and accuracy. At the end of the study, it was observed a time increase in algorithm execution in comparison to a common GA, due to the time required for the machine learning process. On the plus side, we notice a sensitive gain with respect to flexibility and accuracy of results, and a prosperous path that indicates directions to the algorithm to allow the optimization problems with "η" variables