Evaluation of a portable multispectral fluorescence lifetime device for skin cancer diagnosis using machine learning strategies

Skin cancer diagnosis is a great challenge nowadays since it has the major incidence rates among all cancer types. Non-melanoma skin cancer is the most incident even being less aggressive, whereas melanoma is one of the most lethal cancer types due to its high metastatic potential. Early diagnosis is a main goal in new techniques development since it is responsible not only by increasing life expectancy, as well as decreasing treatment morbidity. Visual clinical inspection and then possibly dermoscopy and biopsy is the most common diagnosis procedure, being not so efficiently managed at the public health system, and can be very imprecise if not performed by a well-trained skilled dermatologist. An alternative early diagnosis technique is the label-free fluorescence since it is portable, real-time, non-invasive, not subjective, and that does not rely on exogenous fluorophores addiction. Some of the main native fluorophores are related to morpho-functional and metabolic activities on cell\'s, thus, they can act as intrinsic optical biomarkers (OB), such as collagen, elastin, Nicotinamide Adenine Dinucleotide (NADH) and Flavin Adenine Dinucleotide (FAD). Since cancer causes mitochondrial dysfunction on cells, these molecules are powerful endogenous agents for diagnosis. In order to study the effect of cells metabolic activities in autofluorescence, healthy fibroblasts cells, squamous cell carcinoma (SCC) and melanoma cancer cells were used. By two-photon excitation and multispectral steady-state and lifetime fluorescence microscopy, it was shown that optical redox ratio (ORR) and the lifetime parameters decrease in cancer cells, indicating that they may be relevant OB to distinguish cells. These OB were used in a clinical study on 119 patients with malignant lesions (melanoma, SCC, and nodular and superficial basal cell carcinoma (nBCC and sBCC)), and benign lesions (intradermal nevus (IN) and pigmented seborrheic keratosis (pSK)). Using a portable multispectral fluorescence lifetime imaging (FLIm) device, the patient skin cancer was imaged using a 355 nm excitation wavelength, and the fluorescence emission signal was detected in three channels mostly targeting collagen and elastin (390 ± 20 nm), NADH (452 ± 22 nm) and FAD (> 496 nm) emission. Using the OB extracted features, random forest, linear, and partial least square discriminant analysis classifiers were built on a training set and tested on a test set of images. As a result, to distinguish between healthy and nBCC tissue, classifiers showed that lifetime parameters are as important as steady-state fluorescence parameters, and achieved sensitivity of 88%. To distinguish between clinical similar malignant and benign lesions the models were tuned to achieve 100% sensitivity both on pigmented and non-pigmented lesions, which is very similar with the dermatologists\' biopsy accuracy (87-94%). Two-way and five-way classification models achieved accuracies around 70% and 60%, whereas dermatologists accuracies is around 66% in this clinical diagnostic classification. In general, using the machine learning models, the FLIm technique was able to provide a fast and dermatologist-level skin cancer screening, which may contribute especially in areas where there is a lack of trained professionals. O diagnóstico de câncer de pele é um grande desafio, pois este apresenta as maiores taxas de incidência entre todos os tipos de câncer. O câncer de pele não melanoma é o mais incidente, mesmo sendo menos agressivo, enquanto o melanoma é um dos tipos de câncer mais letais devido ao seu alto potencial metastático. A inspeção clínica visual seguida de dermatoscopia e possivelmente biópsia é o tipo mais comum de diagnóstico. Entretanto, este procedimento de não é de fácil adoção e gestão, além de ter baixa eficiência no sistema público de saúde, e pode ser impreciso se não for realizado por um dermatologista especialista treinado. Uma técnica alternativa de rastreio é a fluorescência sem marcador, por ser portátil, em tempo real, não invasiva e não depende da adição de fluoróforos exógenos. Alguns dos principais fluoróforos nativos estão relacionados às atividades morfo-funcionais e metabólicas das células, portanto, podem atuar como biomarcadores ópticos (BO) intrínsecos, tais como colágeno, elastina, dinucleotídeo de nicotinamida adenina (NADH) e dinucleotídeo de flavina adenina (FAD). Para estudar o efeito das atividades metabólicas na autofluorescência, foram utilizadas células saudáveis e cancerígenas. Por microscopia de estado estacionário e de tempo de vida de fluorescência, foi demonstrado que a razão óptica redox e o tempo de vida diminuem nas células cancerígenas, indicando que os BO são ideais para distinguir células. Neste contexto, os BO foram utilizados em um estudo clínico em 119 pacientes com lesões malignas (melanoma, carcinoma espinocelular e carcinoma basocelular (CBC)) e benignas (nevo intradérmico e queratose seborreica pigmentada). Usando um dispositivo portátil para aquisição de imagens de tempo de vida de fluorescência multiespectral (FLIm), o câncer de pele do paciente foi imageado usando uma excitação laser no comprimento de onda de 355 nm, e a emissão de fluorescência foi investigada em três canais: colágeno e elastina (390 ± 20 nm), NADH (452 ± 22 nm) e FAD (> 496 nm). Usando as características extraídas dos BO, os classificadores de floresta aleatória, análise de discriminante linear e de mínimos quadrados parciais foram construídos em um conjunto de treinamento e testados em um conjunto de imagens de teste. Para distinguir entre tecido saudável e CBC os classificadores mostraram que os parâmetros de tempo de vida são tão importantes quanto os parâmetros de fluorescência no estado estacionário e atingiram sensibilidade de 88%. Para distinguir entre lesões malignas e benignas clinicamente semelhantes, os modelos foram ajustados para alcançar 100% de sensibilidade nas lesões pigmentadas e não pigmentadas, o que é muito semelhante à precisão da biópsia dos dermatologistas (87-94%). Os modelos de classificação em duas e cinco vias alcançaram acurácia em torno de 70% e 60%, enquanto a precisão dos dermatologistas está em torno de 66% nesse tipo de tarefa. Em essência, usando os modelos de aprendizado de máquina, a técnica FLIm foi capaz de fornecer uma triagem rápida e em nível de dermatologista para o câncer de pele, o que pode contribuir especialmente em áreas onde há falta de profissionais treinados.