Já podemos confiar na IA para diagnosticar o câncer?

Qual será o lugar de amanhã para a inteligência artificial (IA) na medicina? Os problemas de diagnóstico não poderiam mais ser resolvidos por um Dr. House, mas por seu alter ego digital? De fato, a IA já está superando o olho na detecção de certos tumores a partir de imagens radiológicas (mamografias, ressonâncias magnéticas)… O que levou alguns a dizer que os computadores substituirão em breve os especialistas humanos.

Mas, ao contrário dessas previsões, o radiologista não desapareceu : pelo contrário, uma inesperada “colaboração” ocorreu entre ele e a máquina que o substituiria. O primeiro trabalhando para canalizar as capacidades e pontos fortes do segundo, a fim de melhorar a interpretação e o diagnóstico em benefício dos pacientes.

Essa questão de auxílio ao diagnóstico correto é central, valendo tanto para psiquiatria onde a IA também está dando seus primeiros passos do que em oncologia… Em anatomia patológica, tanto "o exame de órgãos, tecidos ou células para identificar e analisar anormalidades relacionadas a uma doença (câncer, etc.)", as perspectivas e promessas são enormes.

A IA já é capaz de tais análises? Poderia ser mais eficiente do que o especialista humano?

Mal-entendidos e confusão abundam, e é importante entender o porquê. É este ponto que propomos a você aqui.

O que permitiu os primeiros passos da “patologia digital”

Para a IA, como para qualquer especialista humano, o diagnóstico se baseia, entre outras coisas, em um objeto tão simples quanto inevitável: as lâminas de vidro nas quais o patologista coloca uma "fatia" muito fina do tecido a ser analisado ( pulmão, fígado, etc.), a fim de observá-lo ao microscópio.

Por meio dessa análise microscópica, o patologista pode identificar diferentes tipos de células, comparar suas formas ou mesmo sua organização espacial (arquitetura) para identificar agrupamentos anormais – tumores, por exemplo.

A digitalização em massa desses slides abriu caminho para o uso de IA na anatomia patológica. O advento de scanners adaptados permite, em um número crescente de hospitais, a aquisição e armazenamento de lâminas de microscopia em formato digital. Os slides originais são, no entanto, mantidos… o que não necessariamente será possível para todas as suas versões digitalizadas, devido ao custo de armazenamento.

Este procedimento, que abre caminho para a “patologia digital”, permitiu trabalhar com algoritmos destinados a realizar a sua análise de forma automatizada. Com o objetivo de que a IA possa auxiliar o patologista em seu diagnóstico. Também é útil por razões ergonômicas e para economizar tempo.

As lâminas de vidro são tradicionalmente observadas ao microscópio. Eles agora podem ser digitalizados para estudo em uma tela de computador. Isso também permite que eles sejam transmitidos para redes neurais artificiais.
DR, fornecido pelo autor

Mas, como o ser humano, a máquina (na maioria das vezes redes neurais artificiais) deve ser treinada. Primeiro, ela deve ser capaz de “olhar” para as lâminas e entender do que se trata. Esta análise usa a tecnologia de reconhecimento de padrões como técnica básica.

Em segundo lugar, deve ser capaz de interpretar o que “vê”. A IA assenta na noção de aprendizagem e na capacidade de inferir, ou seja, de transferir os conhecimentos adquiridos durante a sua formação e treino para outras situações, comparáveis ​​mas não semelhantes: por exemplo, reconhecer uma micrometástase linfonodal de cancro da mama (aglomerado de alguns tumores células que podem passar despercebidas) por terem visto anteriormente outras imagens de metástases.

Deve-se notar que as lâminas digitalizadas contêm muito mais pixels do que as imagens radiológicas e contêm milhares de células - portanto, são particularmente ricas em informações que os algoritmos podem explorar.

[Quase 80 leitores confiam no boletim The Conversation para entender melhor os principais problemas do mundo. Inscreva-se hoje]

Um assistente digital rápido e confiável…

Pesquisas e testes atuais mostram que a IA pode ser relevante em várias áreas:

• automação das atividades mais repetitivas e subjetivas,
• auxilia na detecção de tumores, avaliação de agressividade e subtipagem,
• contagem de células tumorais, principalmente aquelas em divisão (mitoses),
• avaliação da intensidade da resposta imune (número de linfócitos que atacam o tumor).

Os interesses são múltiplos: devolver tempo ao patologista humano para que se dedique às tarefas mais complexas onde a mais-valia humana é real, tornar o diagnóstico final mais rápido e fiável. E, importante na ciência, os resultados das análises de IA são geralmente reprodutíveis.

Já podemos identificar casos concretos onde a contribuição da IA ​​é relevante:

• Detecção do câncer de mama: algoritmos são mais eficientes que o patologista na detecção detecção de micrometástases nos gânglios linfáticos da cavidade axilar.
• Avaliação do prognóstico do câncer de mama: redes neurais artificiais identificam efetivamente as marcações celulares feitas com anticorpos específicos (técnica de imuno-histoquímica). No câncer de mama, quantificar a expressão da proteína HER2 nas células tumorais permite avaliar o prognóstico da doença e a resposta a determinados medicamentos – essa proteína estimula a progressão do câncer. O diagnóstico auxiliado por computador seria, portanto, inteiramente relevante.
• Agressividade do câncer de próstata: é avaliada pelo Pontuação de Gleason, que é determinado por análise microscópica de biópsias de próstata. Estabelecer uma pontuação de Gleason requer a análise de muitos slides e, novamente, leva tempo. Estudos têm mostrado uma boa concordância entre a avaliação feita por um patologista e a de uma rede neural artificial.

…até mesmo um verdadeiro colega

Além de ajudar em tarefas repetitivas em que a expertise humana pouco contribui, a IA tem vantagens específicas na quantidade de informações que pode processar. Assim, é capaz de extrair dados adicionais relevantes para o atendimento ao paciente, que certamente estão disponíveis rotineiramente, mas muitas vezes “escondidos” porque são indetectáveis ​​ao olho humano.

AI é eficaz na contagem de células tumorais, especialmente na divisão (como aqui). Também poderia associar aspectos microscópicos e mutações genéticas específicas do câncer.
Al-Janabi S et al., CC BY

Os exemplos mais conhecidos são a identificação de anormalidades genéticas ou genômicas em cânceres e a avaliação posterior do prognóstico e resposta ao tratamento.

Um diagnóstico de câncer geralmente é feito a partir da análise de um tumor (após sua biópsia ou excisão), colocado em lâminas de vidro para estudo ao microscópio, como observamos acima. Já ricos em informação, estes primeiros exames podem ser complementados por análises genéticas: ao identificarem mutações específicas do tumor, permitem melhor caracterizá-lo. Assim, os especialistas estão mais aptos a estabelecer um tratamento adequado. Mas essas análises adicionais “consomem” tecido tumoral e levam tempo.

A mera observação das lâminas digitalizadas poderia permitir que algoritmos detectassem as mutações relevantes, sem recorrer à análise genética. Isso economiza tempo, dinheiro e material tumoral (“economia de tecido”) – este último pode ser guardado para outras análises.

A detecção de mutações é possível correlacionando a forma ou arquitetura do tumor (visto ao microscópio) com a presença de mutações previamente identificadas por sequenciamento (leitura) de DNA. O algoritmo deve aprender a associar aspectos microscópicos e mutações.

O mesmo aprendizado pode ser implementado para vincular aspectos microscópicos e resposta ou prognóstico a drogas.

Limites ainda fortes

Mesmo que a IA certamente melhore a médio prazo o diagnóstico de câncer e o atendimento de pacientes, o desenvolvimento de algoritmos adequados é longo e caro.

Muitos exemplos de imagens (idealmente vários milhares), normais e patológicas, são de fato necessários para constituir os diferentes conjuntos sobre os quais ele será treinado. Isso requer grandes bancos de dados, onde cada exemplo foi anotado por um patologista – e essas coleções de imagens requerem grandes capacidades de armazenamento e sua anotação digital representa um orçamento substancial.

O desempenho da IA ​​depende da qualidade dos dados fornecidos durante seu treinamento, o que a torna não isenta de viés. Pode até mesmo amplificar vieses presentes nos conjuntos de treinamento. E, como um olho humano bem treinado, pode cometer erros.

Por fim, a futura implementação desses modelos digitais junto aos médicos no atendimento "real" dos pacientes exigirá a definição de padrões e um marco legal, como foi o caso das análises genéticas após o advento do sequenciamento de alto rendimento.

De fato, esse desenvolvimento exigirá o compartilhamento de alguns dados médicos, o que esbarra na ética e no sigilo médico. Seu compartilhamento entre os centros é necessário para o estabelecimento de grandes bancos de dados, eles próprios necessários para o desenvolvimento de algoritmos confiáveis. E se os dados forem sempre anonimizados, a sua eventual transferência por Cloud apresenta problemas de confidencialidade (risco de hacking).

Além disso, para permitir a avaliação em tempo real do prognóstico da doença e da resposta ao tratamento, os algoritmos devem ser capazes de operar diretamente do prontuário eletrônico. Isso só pode ser feito respeitando as recomendações da Agência Europeia de Medicamentos que ainda não foram estabelecidas.

Perspectivas futuras

Apesar desses obstáculos, a transição já começou. Em última análise, o objetivo é que a IA integra dados multimodais, dos quatro estratos da oncologia moderna: microscopia, radiologia, genética e prática clínica. Esta integração levará a modelos mais eficientes, em particular para a avaliação do prognóstico. Dentro de cinco anos, a IA poderá sair do campo da pesquisa e ser usada na rotina de cuidados.

O advento da patologia digital promete ser, de qualquer forma, um grande ponto de virada em benefício dos pacientes.

Audrey Rousseau, Professor de Anatomia Patológica - Médico professor-pesquisador do Hospital Universitário de Angers, Universidade de Angers et Leslie Tessier, estudante de doutorado, estagiário em anatomia patológica e citologia, RadboudUMC, Nijmegen, Universidade de Angers

Este artigo foi republicado a partir de A Conversação sob licença Creative Commons. Leia oartigo original.