Inteligência artificial melhor do que seres humanos ao detectar câncer de pulmão

Compartilhar no Pinterest

O câncer de pulmão causa quase 160.000 mortes nos Estados Unidos, de acordo com as estimativas mais recentes. A condição é a principal causa de morte relacionada ao câncer nos EUA, e a detecção precoce é crucial para interromper a propagação de tumores e melhorar os resultados dos pacientes.

Como alternativa às radiografias de tórax, os profissionais de saúde têm usado recentemente tomografia computadorizada (TC) para rastrear câncer de pulmão.

De fato, alguns cientistas argumentam que as tomografias são superiores aos raios X para detecção de câncer de pulmão, e pesquisas demonstraram que a baixa dose de CT (LDCT), em particular, reduziu as mortes por câncer de pulmão em 20%.

No entanto, uma alta taxa de falsos positivos e falsos negativos ainda adivinha o procedimento LDCT. Esses erros geralmente atrasam o diagnóstico de câncer de pulmão até que a doença alcance um estágio avançado, quando se torna muito difícil de tratar.

Novas pesquisas podem se proteger contra esses erros. Um grupo de cientistas usou técnicas de inteligência artificial (IA) para detectar tumores de pulmão em exames de LDCT.

Daniel Tse, do grupo de Pesquisa em Saúde do Google em Mountain View, CA, é o autor correspondente do estudo, cujas descobertas aparecem na revista Nature Medicine.

Tse e seus colegas aplicaram uma forma de IA chamada deep learning em 42.290 exames LDCT, que eles acessaram no Northwestern Electronic Data Warehouse e em outras fontes de dados pertencentes aos hospitais da Northwestern Medicine em Chicago, IL.

O algoritmo de aprendizado profundo permite que os computadores aprendam pelo exemplo. Nesse caso, os pesquisadores treinaram o sistema usando uma varredura LDCT primária juntamente com uma varredura LDCT anterior, se disponível.

Os exames prévios de LDCT são úteis porque podem revelar uma taxa de crescimento anormal de nódulos pulmonares, indicando malignidade.

No presente estudo, a IA forneceu um “sistema de avaliação de imagem automatizado” que previa com precisão a malignidade dos nódulos pulmonares sem nenhuma intervenção humana.

Os pesquisadores compararam as avaliações da IA ​​com as de seis radiologistas norte-americanos certificados pelo conselho que tinham até 20 anos de experiência clínica.

Quando as varreduras anteriores de LDCT não estavam disponíveis, o modelo de IA “superou todos os seis radiologistas, com reduções absolutas de 11% em falsos positivos e 5% em falsos negativos”, relatam Tse e colegas. Quando a imagem anterior estava disponível, a IA teve um desempenho tão bom quanto os radiologistas.

O co-autor do estudo, Dr. Mozziyar Etemadi, professor assistente de anestesiologia na Faculdade de Medicina da Universidade Northwestern Feinberg, em Chicago, explica por que a IA pode superar a avaliação humana.

“Os radiologistas geralmente examinam centenas de imagens 2D ou ‘fatias’ em uma única tomografia computadorizada, mas esse novo sistema de aprendizado de máquina vê os pulmões em uma enorme imagem 3D única”, diz Etemadi.

“A IA em 3D pode ser muito mais sensível em sua capacidade de detectar câncer de pulmão precoce do que o olho humano olhando para imagens em 2D. Tecnicamente, é ‘4D’ porque não está apenas olhando para uma tomografia computadorizada, mas para duas (a atual e a anterior) ao longo do tempo. ”

Dr. Mozziyar Etemadi

“Para construir a IA para visualizar os CTs dessa maneira, você precisa de um enorme sistema de computador em escala do Google”, continua ele. “O conceito é novo, mas a engenharia real também é nova por causa da escala.”

Dr. Etemadi continua exaltando os benefícios do uso da tecnologia de aprendizado profundo, enfatizando sua precisão. “O sistema pode categorizar uma lesão com mais especificidade”, diz o pesquisador.

“Não apenas podemos diagnosticar melhor alguém com câncer, como também podemos dizer se alguém não tem câncer, potencialmente os salvando de uma biópsia pulmonar invasiva, dispendiosa e arriscada”, conclui o Dr. Etemadi.

Os pesquisadores alertam, no entanto, que é necessário primeiro validar esses resultados em coortes maiores.