Inteligência Artificial consegue apontar risco futuro de câncer de pulmão
Por MIT Technology Review Brasil
Não é de hoje que os humanos têm o desejo de fazer projeções para o futuro. Na Grécia Antiga as “sibilas” eram figuras femininas que faziam profecias. Inspirados na mitologia, pesquisadores do Instituto de Tecnologia de Massachusetts (MIT) deram o nome de Sybil à mais nova ferramenta de inteligência artificial que ajuda no diagnóstico de câncer de pulmão e aponta riscos futuros de desenvolver a doença.
A pesquisa envolve profissionais da clínica Abdul Latif Jameel do MIT para Aprendizado de Máquina em Saúde, do Mass General Cancer Center de Boston e do Chang Gung Memorial Hospital de Taiwan.
Dados da Organização Mundial da Saúde apontam o câncer de pulmão como a neoplasia mais fatal do mundo, só em 2020 foi responsável por 1,7 milhão de mortes. Para o radiologista intervencionista torácico do Mass General Cancer Center (centro de tratamento oncológico que fica em Boston), Florian Fintelmann, o câncer de pulmão é relativamente comum e difícil de tratar, especialmente depois de atingir um estágio avançado.
“Se você detectar o câncer de pulmão precocemente, o resultado a longo prazo será significativamente melhor. Sua taxa de sobrevivência em cinco anos está próxima de 70%, mas se você detectá-lo quando estiver avançado, a taxa de sobrevivência em cinco anos será um pouco inferior a 10%”, diz o médico que também é um dos autores da pesquisa.
Sybil foi desenvolvida com um modelo de aprendizagem com base em tomografias computadorizadas. Esse tipo de exame é a forma mais comum de rastreamento para o câncer de pulmão. A equipe treinou a ferramenta com um extenso conjunto de tomografias com tumores visíveis e depois testou o modelo na análise de imagens sem sinais tão evidentes.
O doutorando em engenharia elétrica e ciência da computação do MIT, Peter Mikhael fez parte da equipe para criar Sybil, ele conta quão desafiador foi garantir o processo de aprendizagem da ferramenta: “Os dados de imagem usados para treinar Sybile stavam praticamente ausentes de quaisquer sinais de câncer, porque o câncer de pulmão em estágio inicial ocupa pequenas porções do pulmão – apenas uma fração das centenas de milhares de pixels que compõem cada tomografia computadorizada”, diz o estudante que comparou o procedimento a “tentar encontrar uma agulha em um palheiro”.
Jeremy Wohlwend, que também é doutorando de engenharia elétrica e ciência da computação ficou surpreso ainda com o caráter preditivo da ferramenta: “Descobrimos que, embora nós [como seres humanos] não conseguíssemos ver onde estava o câncer, o modelo ainda conseguiu fazer previsões sobre qual pulmão acabaria por desenvolver a doença. Saber que a Sybil foi capaz de destacar o lado mais provável de gerar um tumor foi realmente interessante para nós”, conta Jeremy.
O artigo foi publicado no Journal of Clinical Oncology e traz dados que apontam para uma acurácia entre 75% e 94%. A eficácia de 75% a 81% foi detectada para previsões em um período de seis anos. Já para previsões de um ano, a pontuação varia entre 86% e 94%. A tecnologia traz boas perspectivas para o diagnóstico da doença nos Estados Unidos: “O rastreamento do câncer de pulmão não está sendo implantado em seu pleno potencial nos Estados Unidos e Sybil pode ser capaz de nos ajudar a preencher essa lacuna”, celebra a especialista em câncer de pulmão e diretora do Centro de Inovação em Detecção Precoce do Câncer do Massachusetts General Hospital, Lecia Sequist que também participou da equipe de criação da ferramenta.
Os cientistas ressaltam que mais estudos são necessários para resolver questões como viés, já que mais de 90% dos exames utilizados para treinar Sybil eram de participantes predominantemente brancos.
Este texto é um conteúdo adaptado, publicado originalmente pelo Massachusetts Institute of Technology nos Estados Unidos. Disponível em: https://news.mit.edu/2023/ai-model-can-detect-future-lung-cancer-0120
1Mikhael PG, Wohlwend J, Yala A, Karstens L, Xiang J, Takigami AK, et al. Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography. Journal of Clinical Oncology. 2023 Jan 12;41(12).
GileadPro: BR-UNB-0683