Por mais sofisticados que sejam, exames para a detecção de câncer de mama podem resultar em falso positivo ou negativo. Além disso, especialmente quando o tumor é classificado de risco médio (grau 2), a caracterização não é suficientemente precisa para guiar a terapia, o que pode levar o médico a tratar a paciente com sessões excessivas de quimioterapia ou mesmo com dosagens e frequência aquém do necessário. A inteligência artificial (IA), porém, pode mudar esse cenário, segundo dois estudos recentes e independentes.
“A classificação de risco de um tumor é realizada manualmente por patologistas e está associada a uma incerteza substancial. Estudos anteriores encontraram maior concordância na identificação dos tumores mais agressivos, de grau 3, e menor, na distinção entre tumores de grau 1 e 2”, conta Johan Hartman, professor do Departamento de Oncologia-Patologia do Instituto Karolinska, na Suécia. O grupo intermediário, o 2, é responsável por, aproximadamente, metade dos casos mundiais e, comparado com os demais, o que exibe maior variação entre padrões morfológicos. “Por isso, é o que apresenta maiores desafios para decidir o tratamento ideal”, diz o médico.
Hartman conta que alguns hospitais começaram, recentemente, a recorrer ao diagnóstico molecular para melhorar a precisão da avaliação do risco de câncer de mama. Contudo, esses métodos costumam ser caros e com resultados demorados. Os pesquisadores da instituição desenvolveram e avaliaram, então, um método baseado em IA para análise de tecidos. Em um artigo publicado nos Anais de Oncologia, do Congresso Anual da Sociedade Europeia de Oncologia Clínica, os cientistas mostram que a metodologia é capaz de dividir ainda mais as pacientes com tumores de grau 2 em dois subgrupos: um de alto risco e um de baixo risco de recorrência, que são claramente distinguíveis, o que aumenta a precisão do diagnóstico.
O modelo IA foi treinado para reconhecer características de imagens microscópicas de alta resolução de tumores de diferentes graus em um extenso banco de dados, contendo 2,8 mil lâminas com tecidos de pacientes de câncer de mama.
O software classificou os tumores de acordo com características morfológicas e moleculares. “Uma grande vantagem do método é que ele é econômico e rápido, uma vez que se baseia em imagens microscópicas de amostras de tecido, o que já faz parte de procedimento hospitalar”, diz Hartman. “Isso nos permite oferecer esse tipo de diagnóstico a mais pessoas e melhorar nossa capacidade de dar o tratamento certo a qualquer uma delas.”
Testes
Primeiro, o software foi testado com amostras de tumores de grau 1 e 3, sobre os quais não havia dúvida a respeito da classificação. O objetivo foi verificar se a IA faria corretamente o diagnóstico. A máquina teve um índice de acerto comparável ao das análises clínicas, feitas pelo patologista. Em seguida, os testes foram realizados com tecidos de cânceres de grau 2. Nesse caso, a intenção dos pesquisadores era que o programa pudesse diferenciar os subtipos, o que ele fez com precisão.
Ao comparar a classificação dos tumores de grau 2 feita pela IA com o prognóstico das pacientes cujas amostras foram analisadas, os cientistas concluíram que o software definiu com acurácia dois subtipos, sendo um mais grave que o outro. “É fantástico que o aprendizado profundo possa nos ajudar a desenvolver modelos que não apenas reproduzem o que os médicos especialistas fazem hoje, mas também nos permitem extrair informações além do alcance do olho humano”, diz o coautor Mattias Rantalainen, professor-associado e líder do grupo de pesquisa no Departamento de Epidemiologia Médica e Bioestatística do Instituto Karolinska.
O método ainda não está pronto para aplicação clínica, mas um produto aprovado por regulamentação está sendo desenvolvido por uma empresa recém-criada, a Stratipath AB, que é apoiada pela KI Innovations, braço de inovação tecnológica do instituto sueco. Os pesquisadores, agora, avaliarão mais o método, com o objetivo de lançar um produto no mercado até o ano que vem.
“Uma grande vantagem do método é que ele é econômico e rápido, uma vez que se baseia em imagens microscópicas de amostras de tecido, o que já faz parte de procedimento hospitalar”
