O diagnóstico do câncer de mama é um assunto de extrema importância na comunidade científica, pois o câncer de mama é o tipo de câncer mais comum entre as mulheres, e é a segunda principal causa de morte por câncer. Aproximadamente 10% dos cânceres de mama são herdados e associados com a história familiar. No entanto, outros fatores além da predisposição genética podem ser fatores de risco, como fatores ambientais e o estilo de vida.
A detecção precoce dessa neoplasia, ou seja, quando não há infiltração dos linfonodos, caracteriza tumores considerados curáveis. Nos últimos 10-15 anos, o conceito do diagnóstico do câncer de mama, assim como seu tratamento, tem levado em consideração a heterogeneidade molecular desta doença, e então, diversos países têm implementado programas de rastreio por mamografias para detecção precoce da doença.
A interpretação das mamografias pelos especialistas ainda é um desafio, e a acurácia varia subjetivamente entre as análises. Dessa forma, tem-se buscado cada vez mais a utilização de ferramentas de inteligência artificial que auxiliem na interpretação e no diagnóstico do câncer de mama, de maneira precoce e precisa.
A evolução das tecnologias de inteligência artificial no diagnóstico do câncer de mama
Softwares direcionados para análise de mamografias foram introduzidos na prática clínica pela primeira vez nos anos 90, e desde então, diversas ferramentas assistenciais de inteligência artificial foram aprovadas para uso médico. De fato, um dos principais biomarcadores para a presença de malignidade é a presença de alterações no exame de imagem, especialmente achados que são alterados no decorrer do tempo. Dessa forma, a comparação com exames anteriores e a experiência de interpretação dessas imagens são fundamentais para um diagnóstico preciso.
Geralmente, as imagens são analisadas por dois radiologistas de maneira independente, para validar o resultado daquele exame e determinar o segmento da paciente. Recentemente, com o desenvolvimento das tecnologias de deep learning, alguns estudos têm proposto sistemas para predição de câncer de mama com performance semelhante à de experts humanos, e auxiliando nesse processo de dupla checagem dos resultados das mamografias.
Os algoritmos de análise são desenvolvidos para captar alterações dos pixels das imagens de mamografias que na maioria das vezes são imperceptíveis aos olhos humanos. Assim, a partir de informações depositadas em bancos de dados, o programa “aprende” como como melhorar uma tarefa sem que lhe digam exatamente como. Esses programas criam modelos matemáticos que permitem a tomada de decisões com base em exemplos de dados inseridos neles, com o programa ficando “mais inteligente” à medida que revisa mais e mais dados.
Como funcionam os softwares atuais de diagnóstico do câncer de mama?
É importante compreender que inteligência artificial e deep learning são conceitos diferentes; a inteligência artificial abrange diversos tipos de técnicas, e dentro da inteligência artificial encontra-se o machine learning, do qual o deep learnign faz parte que, por fim, contempla as redes neurais convolucionais (CNN).
As abordagens modernas de inteligência artificial que se inspiram no cérebro humano (CNN), usam circuitos complexos para processar informações em camadas, com cada etapa fornecendo informações para a próxima, combinando informações contidas nas imagens e correlacionadas espacialmente, atribuindo assim mais ou menos importância a cada informação ao longo do caminho.
A classificação da imagem pode acontecer de maneira mais global, ou considerando os pixels da imagem. Uma classificação mais global da imagem envolve a identificação da imagem como um todo contendo ou não o câncer. Já a classificação dos pixels inclui a determinação da localização da lesão na imagem, fornecendo uma região de interesse ou rotulando cada pixel na imagem como pertencente a uma lesão ou não. No rastreamento do diagnóstico do câncer de mama, a função dos algoritmos de inteligência artificial é basicamente identificar se a paciente necessita de avaliações futuras por ter ou não um risco aumentando para o desenvolvimento da doença.
O panorama atual do uso da Inteligência Artificial
A utilização de redes neurais convolucionais (CNN) tiveram um impacto importante na análise e classificação de mamografias em 2012, e desde então, o interesse nessa tecnologia para aplicação em inúmeras aplicações de classificação tem crescido rapidamente. O que é mais interessante nos algoritmos de classificação baseados em inteligência artificial é o fato de que eles não são ensinados como um câncer de mama se parece, mas sim, aprendem sozinho. Essa capacidade autodidata dos algoritmos de deep learning é adquirida durante o processo de treinamento do sistema, e elimina possíveis viés da interpretação humana.
Para o desenvolvimento dos softwares de análise, os pesquisadores treinam essa rede neural programando-a para analisar imagens de bancos de dados cujo diagnóstico de câncer de mama já havia sido determinado. Assim, os pesquisadores sabiam a “verdade” esperada para cada imagem de mamografia enquanto avaliavam a precisão do teste, enquanto testavam a capacidade de predição do software, obtendo assim a acurácia e precisão na frequência de previsões corretas.
Os softwares de inteligência artificial desenvolvidos para o diagnóstico do câncer de mama são treinados para considerar fragmentos muito pequenos da imagem em resolução total, para então criar um heat map, ou seja, uma imagem estatística da probabilidade de ser um câncer. Os algoritmos comerciais de inteligência artificial utilizados no diagnóstico do câncer de mama tem sido uma ferramenta de suporte para a decisão clínica. Quando usado dessa forma, não é considerado como primeira ou segunda análise, mas sim é utilizado simultaneamente pelo radiologista durante a interpretação do exame mamográfico.
A prevalência do câncer de mama na população triada é menor que 1%, ou seja, a maioria dos exames de imagem são considerados normais. Dessa forma, algoritmos de inteligência artificial capazes de atuar de maneira extremamente sensível e com um valor preditivo negativo alto, podem ser usados para identificar automaticamente casos sem alterações, que não necessitam ser avaliados por um radiologista. Para os casos com imagens consideradas possivelmente malignas, ainda é necessário que seja feita uma biópsia da lesão em questão para confirmar ou não o diagnóstico.
O que esperar daqui para frente?
Com o desenvolvimento de tecnologias de inteligência artificial cada vez mais precisas, espera-se que o diagnóstico do câncer de mama sofra um grande impacto nos próximos anos. De fato, ainda são necessários muitos ajustes para que as limitações dessa tecnologia sejam superadas, especialmente considerando a incerteza da performance das análises baseadas em CNN em comparação com as análises realizadas por radiologistas. Essa informação só será possível ao longo do tempo, conforme mais e mais casos forem analisados pelos softwares de inteligência artificial.
“A transição para o suporte de IA em radiologia diagnóstica deve prosseguir como a adoção de carros autônomos – lenta e cuidadosamente, construindo confiança e melhorando os sistemas ao longo do caminho com foco na segurança” – Nan Wu, 2020.
Conforme essa tecnologia for se tornando cada vez mais precisa, espera-se que a inteligência artificial transforme a maneira como o diagnóstico do câncer de mama é realizado.
Telerradiologia – Para definir exatamente o que é telerradiologia, um bom lugar para começar é definir primeiro a palavra radiologia. A radiologia é um tipo de técnica de imagem que os médicos usam para obter imagens da parte interna do corpo. Isso geralmente é feito para tratamento ou diagnóstico. Ultra-sons, ressonâncias magnéticas e raios-x são exemplos.
Agora podemos adicionar o prefixo “tele” à radiologia. Pense na palavra “telefone”, que se refere a um dispositivo que permite ligar para alguém que está em um local diferente. Quando aplicado à telerradiologia, significa que as imagens são enviadas para um local diferente. As imagens, juntamente com os estudos realizados nas imagens, são enviadas para profissionais ou médicos que estão em um local diferente.
