Os radiologistas poderão utilizar a IA para detetar tumores cerebrais num futuro próximo

Um artigo intitulado "Aprendizado profundo e aprendizagem por transferência para detecção e classificação de tumores cerebrais", publicado na revista Biology Methods and Protocols, afirma que cientistas podem treinar modelos de inteligência artificial (IA) para distinguir entre tumores cerebrais e tecido saudável. Modelos de IA já conseguem detectar tumores cerebrais em imagens de ressonância magnética quase tão bem quanto um radiologista humano.

Pesquisadores têm feito progressos constantes na aplicação da IA à medicina. A IA é particularmente promissora em radiologia, onde a espera pelos técnicos para processar imagens médicas pode atrasar o tratamento do paciente. Redes neurais convolucionais são ferramentas poderosas que permitem aos pesquisadores treinar modelos de IA em grandes conjuntos de imagens para reconhecimento e classificação.

Dessa forma, as redes podem "aprender" a distinguir entre imagens. Elas também têm a capacidade de "transferir aprendizado". Cientistas podem reutilizar um modelo treinado para uma tarefa em um projeto novo, porém relacionado.

Embora a detecção de animais camuflados e a classificação de tumores cerebrais envolvam tipos muito diferentes de imagens, os pesquisadores sugeriram que há um paralelo entre um animal se escondendo graças à camuflagem natural e um grupo de células cancerígenas se misturando ao tecido saudável ao redor.

O processo aprendido de generalização — agrupar diferentes objetos sob um único identificador — é importante para entender como a rede pode detectar objetos camuflados. Esse aprendizado pode ser particularmente útil para a detecção de tumores.

Neste estudo retrospectivo de dados de ressonância magnética disponíveis publicamente, os pesquisadores examinaram como modelos de rede neural poderiam ser treinados em dados de câncer cerebral, introduzindo uma etapa exclusiva de aprendizagem de transferência para detectar animais camuflados e melhorar as habilidades de detecção de tumores da rede.

Usando ressonâncias magnéticas de fontes de dados de câncer disponíveis publicamente online e imagens de controle de cérebros saudáveis (incluindo Kaggle, o NIH Cancer Image Archive e o VA Health System em Boston), os pesquisadores treinaram redes para distinguir entre ressonâncias magnéticas saudáveis e cancerosas, identificar a área afetada pelo câncer e a aparência prototípica do câncer (tipo de tumor cancerígeno).

Os pesquisadores descobriram que as redes eram quase perfeitas na identificação de imagens cerebrais normais, com apenas um ou dois falsos negativos, e na distinção entre cérebros cancerosos e saudáveis. A primeira rede apresentou uma precisão média de 85,99% na detecção de câncer cerebral, enquanto a segunda apresentou uma precisão de 83,85%.

Uma característica fundamental da rede são as múltiplas maneiras pelas quais suas decisões podem ser explicadas, o que aumenta a confiança nos modelos por parte de profissionais médicos e pacientes. Modelos profundos geralmente não são transparentes o suficiente e, à medida que o campo amadurece, a capacidade de explicar as decisões das redes se torna importante.

Graças a essa pesquisa, a rede agora pode gerar imagens que mostram áreas específicas na classificação de um tumor como positivo ou negativo. Isso permitirá que os radiologistas comparem suas decisões com os resultados da rede, aumentando a confiança, como se houvesse um segundo radiologista "robô" por perto, apontando para a área da ressonância magnética que indica um tumor.

No futuro, os pesquisadores acreditam que será importante focar na criação de modelos de redes profundas cujas decisões possam ser descritas de maneiras intuitivas para que a IA possa desempenhar um papel de suporte transparente na prática clínica.

Embora as redes tenham tido dificuldade em distinguir entre os tipos de tumores cerebrais em todos os casos, ficou claro que elas apresentavam diferenças intrínsecas na forma como os dados eram representados dentro da rede. A precisão e a clareza melhoraram à medida que as redes foram treinadas para reconhecer camuflagem. A aprendizagem por transferência levou a um aumento da precisão.

Embora o melhor modelo testado tenha sido 6% menos preciso do que a detecção humana padrão, o estudo demonstra com sucesso a melhoria quantitativa alcançada por meio desse paradigma de aprendizagem. Os pesquisadores acreditam que esse paradigma, aliado à aplicação abrangente de métodos de explicabilidade, ajudará a trazer a transparência necessária para futuras pesquisas clínicas em IA.

"Os avanços na IA tornam possível detectar e reconhecer padrões com mais precisão", disse o principal autor do artigo, Arash Yazdanbakhsh.

Isso, por sua vez, melhora o diagnóstico e a triagem baseados em imagens, mas também exige mais explicações sobre como a IA executa uma tarefa. A busca pela explicabilidade da IA melhora as interações entre humanos e IA em geral. Isso é especialmente importante entre profissionais médicos e IA projetada para fins médicos.

"Modelos claros e explicáveis são mais adequados para auxiliar no diagnóstico, acompanhar a progressão da doença e monitorar o tratamento."