A inteligência artificial poderia ser o futuro do diagnóstico de câncer?
Em um estudo recente, os pesquisadores treinaram um algoritmo para diferenciar lesões malignas e benignas em exames de tecido mamário.
Com o câncer, a chave para o sucesso do tratamento é pegá-lo cedo.
Tal como está, os médicos têm acesso a imagens de alta qualidade, e radiologistas especializados podem detectar os sinais indicadores de crescimento anormal.
Uma vez identificado, o próximo passo é o médico verificar se o crescimento é benigno ou maligno.
O método mais confiável é fazer uma biópsia, que é um procedimento invasivo.
Mesmo assim, podem ocorrer erros. Algumas pessoas recebem um diagnóstico de câncer onde não há doença, enquanto outras não recebem um diagnóstico quando o câncer está presente.
Ambos os resultados causam sofrimento e a última situação pode causar atrasos no tratamento.
Os pesquisadores desejam melhorar o processo de diagnóstico para evitar esses problemas. Detectar se uma lesão é maligna ou benigna de maneira mais confiável e sem a necessidade de uma biópsia seria um divisor de águas.
Alguns cientistas estão investigando o potencial da inteligência artificial (IA). Em um estudo recente, os cientistas treinaram um algoritmo com resultados encorajadores.
A elastografia por ultrassom é uma técnica de diagnóstico relativamente nova que testa a rigidez do tecido mamário. Consegue isso vibrando o tecido, o que cria uma onda. Essa onda causa distorção na ecografia, destacando áreas da mama onde as propriedades diferem do tecido circundante.
A partir dessas informações, é possível que um médico determine se uma lesão é cancerígena ou benigna.
Embora esse método tenha um grande potencial, a análise dos resultados da elastografia é demorada, envolve várias etapas e requer a solução de problemas complexos.
Recentemente, um grupo de pesquisadores da Escola de Engenharia Viterbi da Universidade do Sul da Califórnia, em Los Angeles, perguntou se um algoritmo poderia reduzir as etapas necessárias para extrair informações dessas imagens. Eles publicaram seus resultados na revista Métodos de Computador em Mecânica Aplicada e Engenharia.
Os pesquisadores queriam ver se eles poderiam treinar um algoritmo para diferenciar lesões malignas e benignas em exames de mama. Curiosamente, eles tentaram alcançar isso treinando o algoritmo usando dados sintéticos em vez de verificações genuínas.
Quando perguntado por que a equipe usou dados sintéticos, o autor principal, Prof. Assad Oberai, diz que tudo se resume à disponibilidade de dados do mundo real. Ele explica que “no caso de imagens médicas, você tem sorte se tiver 1.000 imagens. Em situações como essa, onde os dados são escassos, esses tipos de técnicas se tornam importantes. ”
Os pesquisadores treinaram seu algoritmo de aprendizado de máquina, ao qual se referem como uma profunda rede neural convolucional, usando mais de 12.000 imagens sintéticas.
Ao final do processo, o algoritmo era 100% exato em imagens sintéticas; Em seguida, passaram para exames da vida real. Eles tiveram acesso a apenas 10 exames: metade dos quais mostrou lesões malignas e a outra metade retratou lesões benignas.
“Tivemos uma taxa de precisão de 80%. Em seguida, continuamos a refinar o algoritmo usando mais imagens do mundo real como entradas. ”
Prof. Assad Oberai
Embora 80% seja bom, não é bom o suficiente – no entanto, este é apenas o começo do processo. Os autores acreditam que se eles tivessem treinado o algoritmo em dados reais, isso poderia ter mostrado uma precisão aprimorada. Os pesquisadores também reconhecem que o teste foi em escala muito pequena para prever as capacidades futuras do sistema.
Nos últimos anos, tem havido um interesse crescente no uso da IA em diagnósticos. Como escreve um autor:
“A IA está sendo aplicada com sucesso para análise de imagens em radiologia, patologia e dermatologia, com velocidade de diagnóstico superior e precisão em paralelo, médicos especialistas”.
No entanto, o professor Oberai não acredita que a IA possa substituir um operador humano treinado. Ele explica que “[t]O consenso geral é que esses tipos de algoritmos têm um papel importante a desempenhar, inclusive dos profissionais de imagem a quem eles terão maior impacto. No entanto, esses algoritmos serão mais úteis quando não servirem como caixas pretas. O que ele viu que levou à conclusão final? O algoritmo deve ser explicável para que funcione como pretendido. ”
Os pesquisadores esperam poder expandir seu novo método para diagnosticar outros tipos de câncer. Onde quer que um tumor cresça, ele altera a forma como um tecido se comporta fisicamente. Deve ser possível traçar essas diferenças e treinar um algoritmo para identificá-las.
No entanto, como cada tipo de câncer interage com seus arredores de maneira tão diferente, um algoritmo precisará superar uma série de problemas para cada tipo. Oberai já está trabalhando nas tomografias de câncer renal para encontrar maneiras de a IA ajudar no diagnóstico.
Embora estes sejam os primeiros dias para o uso da IA no diagnóstico do câncer, há grandes esperanças para o futuro.
Source link
