IA aprende a 'pensar' como médicos e melhora busca por câncer, mostra estudo

Uma inteligência artificial treinada para acompanhar a forma como patologistas procuram sinais de câncer conseguiu melhorar a análise de amostras de tecido. Em testes, o sistema identificou todas as lâminas positivas em um dos conjuntos avaliados, embora ainda tenha produzido falsos positivos.

A abordagem foi desenvolvida por pesquisadores da Universidade da Pensilvânia e apresentada em um estudo publicado na revista Nature. Em vez de ensinar apenas o resultado final de um diagnóstico, a equipe registrou como especialistas percorrem uma lâmina, mudam a ampliação e escolhem regiões para examinar com mais atenção.

A estratégia tenta reproduzir uma etapa importante do trabalho dos patologistas. Ao analisar uma amostra, esses profissionais não observam todas as áreas com o mesmo nível de detalhe. Primeiro examinam o tecido de maneira mais ampla e depois ampliam regiões consideradas suspeitas.

Uma lâmina inteira pode conter bilhões de pixels, enquanto os sinais de câncer podem ocupar apenas uma pequena parte da imagem.

IA aprendeu onde patologistas procuram sinais de câncer

Muitos sistemas de IA usados na detecção de câncer recebem regiões previamente selecionadas de uma amostra ou dividem toda a lâmina em áreas de tamanho fixo.

Os pesquisadores adotaram uma estratégia diferente. Uma ferramenta registrou como oito patologistas navegavam pelas lâminas e alteravam a ampliação durante as análises. A equipe filtrou movimentos considerados incidentais e selecionou comportamentos associados à atenção deliberada, como permanecer por mais tempo em determinada região ou percorrer uma área de maneira prolongada.

Os dados foram comparados com informações de rastreamento ocular para verificar se o sistema realmente identificava os pontos observados pelos especialistas.

Para cada região analisada, um modelo de linguagem e visão também produzia uma breve justificativa sobre as características encontradas e o motivo para uma inspeção mais detalhada. Os patologistas podiam aceitar, editar ou rejeitar essas explicações. A técnica de treinamento recebeu o nome de Pathology-CoT.

• IA na saúde: hospital nos EUA usa inteligência artificial para detectar doenças pela voz

Como funciona o Pathology-o3

A partir desses dados, os pesquisadores desenvolveram uma ferramenta chamada Pathology-o3. Primeiro, o sistema examina toda a lâmina em baixa resolução. Depois, um modelo treinado com o comportamento dos patologistas identifica quais regiões merecem atenção.

Essas áreas são então analisadas em alta resolução por um modelo de linguagem e visão. A lógica é semelhante à maneira como um especialista procura alterações no tecido, passando de uma visão geral para uma inspeção mais detalhada das regiões suspeitas.

O objetivo do estudo não era mostrar que o Pathology-o3 supera sistemas especializados desenvolvidos para determinados tipos de câncer. A equipe queria verificar se aprender a estratégia de busca dos patologistas poderia melhorar o desempenho de modelos de uso mais geral.

• Uso de inteligência artificial cresce no setor de saúde, com foco em tarefas administrativa

Sistema identificou 100% das lâminas positivas em teste

Os pesquisadores compararam o Pathology-o3 com outros sistemas de IA de propósito geral ao analisar lâminas de linfonodos de casos de câncer colorretal. Algumas continham metástases previamente identificadas por patologistas.

No primeiro teste, o Pathology-o3 identificou corretamente 100% das lâminas positivas para câncer. Entre aquelas classificadas pelo sistema como positivas, porém, 15,5% eram negativas, o que representa falsos positivos.

Na comparação apresentada no estudo, o o3 da OpenAI identificou corretamente 87,5% das lâminas positivas. Entre as amostras que classificou como positivas, 53,3% eram, na realidade, negativas.

O Pathology-o3 foi projetado para priorizar a identificação de regiões que merecem uma avaliação mais detalhada, reduzindo o risco de deixar passar um possível câncer. Essa característica pode contribuir para os falsos alarmes.

Desempenho mudou com novas amostras

A equipe repetiu o experimento utilizando um conjunto independente de dados que os algoritmos ainda não haviam analisado. Nesse teste, o Pathology-o3 identificou corretamente 97,6% das lâminas positivas. Ao mesmo tempo, 37,1% das amostras apontadas como positivas eram negativas.

A diferença mostra que o desempenho de um sistema de IA pode mudar quando a origem dos dados também muda, mesmo que a tarefa permaneça semelhante.

Os pesquisadores ainda aplicaram a estratégia de treinamento baseada no comportamento dos patologistas a diferentes modelos de linguagem e visão. Segundo o estudo, o desempenho melhorou de maneira consistente após o treinamento.

• A IA pode diagnosticar pessoas com doença que não existe

IA ainda não pode substituir patologistas

Os resultados não significam que o sistema esteja pronto para substituir patologistas ou realizar diagnósticos de forma independente. O estudo não comparou diretamente o desempenho do Pathology-o3 com o de patologistas humanos. Também não demonstrou se profissionais que utilizam a ferramenta conseguem detectar mais casos ou trabalhar mais rapidamente.

Mohammad Asadi, cientista de dados da Universidade Stanford que não participou da pesquisa, considera que uma aplicação possível seria usar a tecnologia como ferramenta de triagem, destacando regiões das lâminas que merecem uma segunda análise do especialista.

Ainda há outra limitação. O diagnóstico de câncer pode depender da análise conjunta de diferentes lâminas, colorações e informações do histórico médico do paciente. O sistema testado atualmente examina apenas uma lâmina por vez.

O próximo experimento planejado pela equipe deverá comparar patologistas analisando os mesmos casos com e sem auxílio do Pathology-o3. Os pesquisadores pretendem medir tanto o que os profissionais conseguem detectar quanto o tempo necessário para realizar a tarefa.