Inteligência artificial consegue prever risco de câncer de pulmão

Um estudo publicado no periódico científico Radiology afirma ter desenvolvido um programa de inteligência artificial (IA) que consegue prever com precisão o risco de nódulos pulmonares se tornarem câncer. O programa analisa tomografias computadorizadas de rastreamento – procedimento conhecido como screening – em busca de nódulos no órgão que indiquem sinais de futura malignidade.

Câncer de pulmão

Esse tipo de câncer é a principal causa de morte pela doença em todo o mundo, segundo a Organização Mundial de Saúde (OMS). A estimativa é de que ao menos 1,8 milhão de mortes ocorreram devido à doença somente no ano de 2020. 

A tomografia de tórax de baixa dose (TCBD) é usada frequentemente para rastrear pessoas com alto risco de câncer de pulmão – como fumantes crônicos. Estudos apontam que o procedimento reduz significativamente a mortalidade pela doença, principalmente porque ajuda a detectar cânceres em estágio inicial, quando é mais fácil obter sucesso no tratamento.

A apresentação habitual do câncer de pulmão se dá pela detecção de nódulos pulmonares em imagens de tomografia computadorizada. A maioria dos nódulos encontrados nesses exames é benigna e não requer investigação clínica adicional. Aí entra a importância na distinção entre nódulos malignos e benignos, pois é isso que define a necessidade de tratamento e detecta o câncer precocemente.

Inteligência artificial como aliada

No novo estudo, os pesquisadores desenvolveram um algoritmo que avalia nódulos pulmonares usando deep learning – aprendizado profundo –, uma aplicação de IA capaz de encontrar padrões específicos em dados de imagem. Os pesquisadores treinaram o algoritmo com imagens de TC de mais de 16 mil nódulos.

Ao todo, foram apresentados 1.249 casos da doença maligna à IA, fornecidos pelo National Lung Screening Trial – um estudo clínico realizado entre os anos de 2002 e 2004. A equipe então validou o algoritmo em três grandes conjuntos de dados de imagem de nódulos do Danish Lung Cancer Screening Trial, com dados que foram reunidos entre 2004 e 2006.

Esquema de redes neurais convolucionais (CNNs) usadas no algoritmo.

O algoritmo de deep learning apresentou resultados surpreendentes, superando inclusive o modelo Pan-Canadense de Detecção Precoce de Câncer de Pulmão, frequentemente utilizado para estimativa de risco de malignidade em nódulos pulmonares. O desempenho da IA foi comparável à análise de 11 médicos, incluindo 4 radiologistas torácicos, 5 residentes de Radiologia e 2 pneumologistas.

Comparação entre modelos de detecção. O modelo do estudo é representado em azul e, em verde, está o Pan-Canadense.

"O algoritmo pode ajudar radiologistas a estimar com precisão o risco de malignidade dos nódulos pulmonares", disse o PhD Kiran Vaidhya Venkadesh, primeiro autor do estudo e candidato ao Grupo de Análise de Imagens Diagnósticas do Radboud University Medical Center em Nijmegen, nos Países Baixos. "Isso pode ajudar a otimizar as recomendações de acompanhamento para participantes do rastreamento de câncer de pulmão",  ele afirmou.

Benefícios adicionais

"Como não requer interpretação manual das características de imagem do nódulo, o algoritmo pode reduzir a variabilidade entre observadores na interpretação da TC", disse o autor sênior do estudo, o PhD Colin Jacobs, que é professor-assistente do Departamento de Imagens Médicas do Radboud University Medical Center em Nijmegen. Segundo ele, a IA pode diminuir intervenções diagnósticas desnecessárias, a carga de trabalho dos radiologistas e os custos envolvidos.

A equipe também está trabalhando em um algoritmo de deep learning que aceita vários exames de tomografia computadorizada como entrada, já que o algoritmo atual é recomendado na análise de nódulos em triagem inicial (também conhecida como basal), mas necessita de mais informações a respeito de crescimento e aparência no caso de nódulos detectados em triagens subsequentes – quando a comparação com a TC anterior é importante.

Os pesquisadores planejam agora continuar melhorando o algoritmo, incorporando mais parâmetros clínicos – como idade, sexo e histórico de tabagismo. Eles também desenvolveram outros algoritmos para extrair de forma confiável características de imagem da TC de tórax relacionadas a doenças pulmonares obstrutivas crônicas e cardiovasculares. O próximo passo será investigar como integrar efetivamente esses recursos de imagem ao algoritmo atual.