Google treina algoritmo de deep learning para rastrear câncer de pulmão em exames de imagem

Roxanne Nelson

Notificação

10 de junho de 2019

O rastreamento do câncer de pulmão por tomografia computadorizada com baixa dose de radiação (TCBD) é recomendado para populações específicas, mas, embora tenha sido demonstrado que o seu uso reduz a mortalidade, ainda existem desafios relacionados com esta tecnologia, como a variabilidade entre avaliadores e altas taxas de resultados falso-positivos e falso-negativos.

A inteligência artificial pode ajudar a contornar algumas dessas limitações, sugere um novo estudo.

Pesquisadores do Google treinaram um algoritmo de deep learning para identificar lesões malignas nos pulmões utilizando mais de 42.000 exames de tomografia computadorizada (TC). Na avaliação feita pelos algoritmos, a incidência de falso-positivos e de falso-negativos foi 11% e 5% menor, respectivamente, em comparação com a revisão feita por radiologistas capacitados, que analisaram as mesmas imagens.

Embora os resultados sejam provocadores, os autores advertiram que esses achados precisam ser validados clinicamente em uma grande população de pacientes.

O estudo foi publicado on-line em 20 de maio no periódico Nature Medicine.

"No estudo, mostramos que a inteligência artificial tem o potencial de melhor diagnosticar os pacientes com câncer e de identificar os que não têm câncer", disse o coautor do estudo, Dr. Mozziyar Etemadi, médico e professor assistente de pesquisa em anestesiologia da Northwestern University Feinberg School of Medicine, em Chicago, Illinois.

"Todos os dados utilizados no estudo foram retrospectivos, o próximo passo é realizar um estudo prospectivo para verificar se a ferramenta, quando usada por um radiologista, pode contribuir para diagnósticos mais precoces e precisos do câncer e, se tudo der certo, também para melhores desfechos para os pacientes."

O Dr. Mozziyar disse ao Medscape que os pesquisadores ainda estão fazendo o planejamento, mas que estão avançando rapidamente para iniciar o estudo. "O ideal é um estudo desses tenha uma população grande e diversificada de pacientes, mas isso é um desafio significativo", disse o Dr. Mozziyar. "Os sistemas computacionais dos hospitais não foram feitos para trabalhar bem em conjunto, imagine então algo tão avançado quanto um algoritmo de inteligência artificial, que roda na nuvem. Uma grande parte do que a minha equipe está fazendo agora é construir esse 'middleware', para tornar isso uma realidade".

Ele ressaltou que ainda há trabalho pela frente, em colaboração com o Google, para compreender exatamente como um radiologista ou outro médico gostaria de usar a inteligência artificial.

"Isso faz parte de um processo de trabalho que já existe? Vamos criar um processo de trabalho em separado? Essas são perguntas muito interessantes, e estamos trabalhando ativamente para respondê-las", enfatizou. "Como engenheiro e médico, isso é realmente a realização de um sonho".

Novos métodos são necessários

O rastreamento para o câncer de pulmão por TCBD é recomendado pela Preventive Services Task Force norte-americana para certos grupos de alto risco. Mas um problema recorrente com o rastreamento por TCBD é a alta taxa de falso-positivos. O resultado positivo de aproximadamente um quarto (24%) desses exames exige acompanhamento – mas 96% desses achados são falso-positivos. Isso motivou os pesquisadores a buscarem novos métodos de diferenciação entre nódulos malignos e benignos.

Um grupo da University of Pittsburgh, por exemplo, incorporou um algoritmo de machine learning para melhorar a predição do câncer de pulmão. Nesse modelo, eles integraram características de um exame de TCBD a outros dados clínicos e comorbidades.

No estudo em pauta, o Dr. Mozziyar e colaboradores estudaram como a inteligência artificial poderia ajudar a solucionar alguns dos desafios atuais associados à TCBD para o rastreamento do câncer de pulmão. Em um blog , a coautora do estudo, Shravya Shetty, líder técnica do Google, disse que com os avanços na modelagem volumétrica tridimensional associados aos conjuntos de dados dos seus parceiros (incluindo a Northwestern University), "fizemos progresso na modelagem da predição do câncer de pulmão, e também estabelecemos as bases para futuros testes clínicos".

Ao olhar para centenas de imagens bidimensionais do mesmo tipo de tomografia computadorizada, o câncer "pode ser minúsculo e difícil de achar", escreveu Shravya. O modelo criado por sua equipe no Google não só pode gerar a predição geral de malignidade do câncer de pulmão e criar uma visualização em volume tridimensional, como também pode identificar tecidos malignos pequenos nos pulmões, escreveu ela. Além disso, esse modelo também pode incluir informações de exames anteriores, o que pode ser útil na predição do risco de câncer de pulmão, já que a taxa de crescimento de nódulos pulmonares suspeitos pode ser indicativa de malignidade.

Resultados muito promissores

No geral, havia três componentes-chave nessa nova abordagem. O primeiro foi um modelo 3D construído com redes neurais convolucionais (CNN, do inglês convolutional neural networks) – um tipo de arquitetura de inteligência artificial – que faz uma análise de ponta a ponta do volume total da TC, usando como dados para treinamento volumes em imagens TCBD de com câncer confirmado por patologia.

O segundo componente foi treinar um modelo de detecção das "áreas de interesse" (ROI, do inglês region of interest) com CNN para identificar áreas tridimensionais candidatas a câncer no volume de TC; por fim, o último passo foi desenvolver um modelo de CNN de predição de risco de câncer que operaria de forma independente nos resultados do modelo de detecção de ROI para câncer e do modelo de volume total.

A equipe do Google desenvolveu o algoritmo de deep learning e aplicou-o em 6.716 conjuntos de TC não identificados para validar a acurácia do novo sistema. O modelo alcançou uma área sob a curva (AUC, do inglês area under the curve) de 94,4% para esse grupo de casos e, em seguida, obteve desempenho semelhante em um conjunto independente de validação clínica com 1.139 casos.

Em seguida, dois estudos foram realizados com radiologistas. Quando as tomografias prévias não estavam disponíveis, o novo modelo superou todos os seis radiologistas com reduções absolutas de 11% em falso-positivos e 5% em falso-negativos. Nos casos em que as tomografias anteriores estavam disponíveis, o modelo de inteligência artificial teve performance semelhante à dos radiologistas.

Trabalho importante à frente

"A deep learning '3D' – com o tempo como dimensão adicional – parece melhorar significativamente a acurácia acima dos 90%, o que é um avanço bem-vindo", comentou o Dr. Eric Topol, médico e diretor do Scripps Research Translational Institute, em La Jolla, Califórnia, e editor-chefe do Medscape.

"Mas, como os pesquisadores descreveram no artigo, precisamos da validação clínica prospectiva para confirmar os dados", comentou ele. "E, para qualquer algoritmo de inteligência artificial, sempre será preciso ter uma vigilância constante do desempenho, uma vez que ele for introduzido na clínica".

O coautor do estudo, Dr. Daniel Tse, médico e gerente de projetos do Google, disse ao Medscape que está planejando estudos de validação clínica, e que "o objetivo é entender como o modelo pode ser generalizado, para poder ser ajustado para novas populações de pacientes".

"Acreditamos que ainda existe um trabalho importante a ser feito na interface/experiência do usuário para garantir que possamos expor os modelos de maneira produtiva em ambientes clínicos", disse o Dr. Daniel.

Este estudo foi financiado pelo Google Inc. Dr. Mozziyar Etemadi recebeu financiamento do Google pela colaboração na pesquisa. Dr. Daniel Tse é um funcionário do Google Inc; vários dos autores também são funcionários do Google ou têm outras relações com o setor.

Nature Medicine. Publicado on-line em 20 de maio de 2019. Abstract

Siga o Medscape em português no Facebook, no Twitter e no YouTube

Comente

3090D553-9492-4563-8681-AD288FA52ACE
Comentários são moderados. Veja os nossos Termos de Uso

processing....