IA Detecta Câncer Precoce a partir de Imagens

Quer saber como a IA detecta o câncer precocemente a partir de imagens? Vamos descobrir mais detalhes com a INVIAI neste artigo!

A detecção precoce do câncer melhora significativamente a sobrevivência. A inteligência artificial (IA) está agora ajudando os médicos a identificar tumores em imagens médicas mais cedo e com maior precisão.

Ao treinar modelos de aprendizado profundo com milhares de exames e lâminas anotadas, a IA pode aprender padrões que até mesmo clínicos especialistas podem não perceber.

Na prática, as ferramentas de IA analisam imagens como mamografias, tomografias de tórax, raios-X, ressonâncias magnéticas, ultrassons e lâminas de patologia, sinalizando áreas suspeitas e quantificando riscos.

Por exemplo, um ultrassom aprimorado por IA ajudou uma paciente a evitar uma biópsia desnecessária da tireoide ao mostrar que seu nódulo era benigno.

Especialistas afirmam que a IA no cuidado do câncer representa “uma oportunidade sem precedentes” para melhorar o diagnóstico e o tratamento.

Como a IA Analisa Imagens Médicas

Sistemas de IA para imagens geralmente utilizam aprendizado profundo (especialmente redes neurais convolucionais) treinadas em grandes conjuntos de dados. Durante o treinamento, o algoritmo aprende a extrair características (como formas, texturas, cores) que distinguem tecidos cancerígenos dos saudáveis.

Uma vez treinado, o modelo de IA escaneia novas imagens e destaca padrões que correspondem às características do câncer aprendidas.

Na prática, a IA funciona como um “segundo leitor” super sensível, apontando lesões sutis que um humano poderia deixar passar. Por exemplo, uma IA analisando uma mamografia ou uma fatia de tomografia pode marcar pequenas calcificações ou nódulos com caixas coloridas e alertas para o radiologista examinar.

As análises de IA também podem estimar riscos: alguns algoritmos preveem o risco futuro de câncer de um paciente a partir de uma única imagem (usando correlações aprendidas), permitindo que os médicos personalizem os intervalos de rastreamento.

Em um caso, um ultrassom da tireoide analisado por IA identificou conclusivamente tecido benigno, confirmando os resultados posteriores da biópsia e poupando a paciente de ansiedade extra.

Rastreamento do Câncer de Mama

A mamografia é um exemplo principal onde a IA está causando impacto. Estudos mostram que o suporte da IA pode melhorar significativamente a detecção do câncer de mama no rastreamento.

Em um grande estudo na Alemanha, radiologistas assistidos por uma ferramenta de IA encontraram 17,6% mais casos de câncer do que sem a IA.

Especificamente, o grupo assistido por IA detectou 6,7 casos de câncer por 1.000 mulheres, contra 5,7 por 1.000 no grupo padrão, reduzindo até ligeiramente a taxa de retorno (falsos positivos).

De modo geral, a IA na mamografia pode:

• Melhorar sensibilidade e especificidade. Pesquisas financiadas pelo NCI relatam que algoritmos de IA “melhoram a detecção do câncer de mama na mamografia” e também podem ajudar a prever quais lesões se tornarão invasivas posteriormente.
• Identificar achados sutis. A IA pode sinalizar pequenos agrupamentos de microcalcificações ou assimetrias que são fáceis de perder durante o rastreamento de rotina, atuando como um leitor especialista adicional.
• Reduzir carga de trabalho e variabilidade. Ao pré-selecionar imagens, a IA pode priorizar casos suspeitos para os radiologistas, ajudando a lidar com o aumento do volume de mamografias.

Notavelmente, a FDA aprovou várias ferramentas de mamografia assistida por IA (por exemplo, iCAD, SmartMammo da DeepHealth) para uso clínico, reconhecendo sua capacidade de detectar cânceres precocemente em ambientes reais.

Rastreamento do Câncer de Pulmão

A IA também está sendo aplicada na detecção do câncer de pulmão em imagens médicas. Tomografias computadorizadas de baixa dose (LDCT) são usadas para rastrear fumantes de alto risco; a IA pode aprimorar isso melhorando a qualidade da imagem e a detecção de lesões.

Uma vantagem é a redução da dose: algoritmos de reconstrução de imagem baseados em IA podem produzir imagens de tomografia claras com ainda menos radiação do que as atuais tomografias de baixa dose.

Além disso, sistemas de detecção assistida por computador (CAD) baseados em IA escaneiam automaticamente cada fatia da tomografia em busca de nódulos. Quando um possível nódulo é encontrado, a IA o marca na imagem para o médico examinar.

Em resumo, a IA pode atuar como um segundo leitor sensível nas imagens pulmonares.

Por exemplo, modelos recentes mostram alta sensibilidade para nódulos pulmonares benignos e malignos (com sistemas de pesquisa detectando mais de 90% dos nódulos em exames de teste). A FDA dos EUA aprovou ferramentas de IA para auxiliar no rastreamento do câncer de pulmão, reconhecendo seu papel no diagnóstico precoce.

A IA também pode ajudar a personalizar o rastreamento: combinando imagens com dados do paciente, os algoritmos podem estratificar quem precisa de exames mais frequentes.

(No entanto, estudos atuais de CAD mostram que, embora a IA encontre mais nódulos no total, a maior parte do aumento é em nódulos pequenos e de baixo risco, e ainda não houve um aumento dramático na detecção de lesões avançadas.)

Câncer de Pele (Melanoma)

A imagem dermatoscópica (fotos ampliadas da pele) é outra área onde a IA se destaca. Modelos avançados de aprendizado profundo treinados com dezenas de milhares de imagens de lesões cutâneas podem classificar pintas como benignas ou malignas com alta precisão.

Em um estudo recente, uma rede neural aprimorada alcançou 95–96% de precisão na identificação de melanoma em estágio inicial a partir de imagens dermatoscópicas.

Isso é importante: o melanoma em estágio inicial tem um excelente prognóstico (cerca de 98% de sobrevida em 5 anos), enquanto a sobrevida em estágios avançados é muito menor.

Ao destacar pintas suspeitas para biópsia, a IA pode ajudar dermatologistas a diagnosticar o melanoma mais cedo.

Ferramentas de IA estão até sendo incorporadas em aplicativos para celular ou dispositivos que avaliam uma pinta fotografada e estimam seu risco, potencialmente ampliando a detecção precoce para a atenção primária.

Rastreamento do Câncer do Colo do Útero

A IA está aprimorando o rastreamento do câncer do colo do útero ao analisar imagens digitais do colo uterino. Por exemplo, o sistema CerviCARE usa aprendizado profundo em fotos de “cervicografia” (imagens semelhantes à colposcopia) para distinguir lesões pré-cancerosas.

Em um ensaio multicêntrico, a IA do CerviCARE alcançou 98% de sensibilidade para lesões cervicais de alto grau (CIN2+), com 95,5% de especificidade.

Na prática, essa IA pode ajudar em locais onde colposcopistas especialistas são escassos: o algoritmo destaca automaticamente áreas de preocupação, ajudando a garantir que nenhum tecido pré-canceroso seja perdido.

Esse tipo de IA funciona em conjunto com o exame de Papanicolau tradicional e o teste de HPV para detectar a doença precocemente.

O NCI também destaca pesquisas sobre IA para automatizar a detecção de pré-câncer no rastreamento cervical.

Rastreamento do Câncer de Cólon e Reto

Durante a colonoscopia, a IA auxilia em tempo real. Sistemas modernos analisam continuamente o vídeo do colonoscópio. Quando a câmera captura um pólipo ou tecido suspeito, a IA destaque-o na tela (geralmente com uma caixa colorida e um alerta sonoro) para chamar a atenção do médico.

Colonoscopia assistida por IA: o sistema identificou um pólipo “plano” (destacado em azul) que o médico pode remover.

Estudos mostram que o uso da IA na colonoscopia aumenta o número total de pólipos detectados, especialmente adenomas pequenos. Isso significa que a IA pode ajudar os médicos a identificar mais lesões iniciais que poderiam passar despercebidas.

Em um grande estudo (o CADILLAC), a detecção geral de adenomas aumentou com a assistência da IA. No entanto, especialistas observam que a maior parte do aumento foi em pólipos pequenos e de baixo risco, e a IA não elevou significativamente a detecção de adenomas grandes e de alto risco nesse estudo.

Em outras palavras, a IA é excelente para apontar muitas pequenas lesões, mas ainda está em avaliação se melhora a identificação dos pré-cânceres mais perigosos.

Mesmo assim, um “segundo olhar” da IA pode reduzir erros por fadiga e diminuir a variabilidade entre médicos. A FDA aprovou sistemas de IA (CADe) para colonoscopia clínica para auxiliar endoscopistas na detecção de pólipos.

IA em Patologia e Outras Imagens

O alcance da IA vai além da imagem ao vivo para a patologia e exames especializados. Lâminas digitais de patologia (escaneamentos em alta resolução de biópsias de tecido) estão sendo analisadas por algoritmos de IA.

Por exemplo, uma nova IA chamada CHIEF foi treinada com mais de 60.000 imagens de lâminas inteiras em 19 tipos de câncer.

Ela detecta automaticamente células cancerígenas na lâmina e até prevê o perfil molecular do tumor a partir de características visuais. Em testes, o CHIEF alcançou cerca de 94% de precisão na detecção de câncer em lâminas inéditas de múltiplos órgãos.

De forma semelhante, a FDA aprovou softwares de IA para destacar regiões cancerígenas em amostras de biópsia de próstata, ajudando patologistas a focar em áreas críticas. Ferramentas de IA também são aprovadas para interpretação de ressonância magnética de tumores cerebrais e ultrassom de nódulos tireoidianos, entre outros.

Em resumo, a IA está se tornando uma assistente versátil: de exames de ressonância magnética/tomografia a raios-X e lâminas de microscópio, ela sinaliza anomalias que merecem atenção.

Benefícios da IA na Detecção Precoce

Em diversas aplicações, a IA oferece várias vantagens importantes para detectar o câncer precocemente:

• Maior Sensibilidade: A IA pode detectar sinais muito sutis. No rastreamento mamográfico, a IA identificou cerca de 20–40% dos cânceres intervalares (tumores perdidos na primeira leitura) quando aplicada retrospectivamente em mamografias anteriores.
  Isso significa que a IA pode revelar cânceres mais cedo do que leitores humanos sozinhos.
• Precisão e Eficiência: Estudos mostram que leituras assistidas por IA resultam em menos falsos negativos e, às vezes, menos falsos positivos.
  Por exemplo, a mamografia com suporte de IA aumentou o valor preditivo positivo da biópsia (ou seja, cânceres por biópsia) em um estudo alemão.
• A IA pode processar imagens mais rapidamente que um humano, permitindo que programas de rastreamento lidem com cargas crescentes sem perder qualidade.
• Qualidade Consistente: Diferente dos humanos, a IA não se cansa nem se distrai.
  Ela oferece um nível uniforme de análise entre os casos, o que pode reduzir a variabilidade entre radiologistas.
• Evitar Procedimentos Desnecessários: Ao distinguir com mais precisão lesões benignas de malignas, a IA pode poupar pacientes de exames desnecessários.
  No exemplo da tireoide, a IA descartou com confiança o câncer sem necessidade de biópsia.
• Na dermatologia, aplicativos de IA podem tranquilizar pacientes sobre pintas benignas.
  No geral, o objetivo é o rastreamento de precisão: encontrar o que realmente precisa de intervenção e evitar tratamentos excessivos.
• Acesso Global: Em regiões com poucos especialistas, ferramentas de IA podem levar o rastreamento em nível de especialista a clínicas remotas.
  Por exemplo, um colposcópio com IA poderia ajudar enfermeiras a rastrear câncer cervical em áreas com poucos recursos.

“Abordagens baseadas em IA podem aprimorar a capacidade dos clínicos de avaliar cânceres de forma eficiente e precisa”. Em muitos estudos, a combinação da IA com a expertise dos médicos supera qualquer um isoladamente, como consultar um colega experiente.

Desafios e Considerações

A IA também traz desafios. Modelos treinados com dados limitados ou pouco diversos podem não funcionar igualmente bem para todos os pacientes. Por exemplo, detectores de lesões cutâneas baseados em IA precisam ser treinados com tons de pele variados para evitar vieses.

Ferramentas dermatoscópicas de IA apresentam lacunas de desempenho em imagens com artefatos (como pelos ou iluminação ruim) e em tipos de lesões sub-representados.

No rastreamento, mais detecções podem significar mais falsos positivos: a colonoscopia assistida por IA sinalizou muitos pólipos pequenos, alguns dos quais podem nunca evoluir para câncer.

Remover todas as pequenas lesões traz riscos próprios (pequena chance de sangramento ou perfuração). Assim, os clínicos devem equilibrar a sensibilidade da IA com a especificidade para evitar sobrediagnóstico.

Integrar a IA nos fluxos clínicos não é trivial. Hospitais precisam de softwares validados e aprovados pela FDA, além de treinamento para a equipe. Existem questões regulatórias e de responsabilidade sobre quem responde se a IA deixar de detectar um câncer.

Muitos pesquisadores enfatizam que a IA é uma ferramenta, não um substituto; como disse um radiologista, usar IA é como “pedir a opinião de um colega brilhante”. Ensaios contínuos e estudos pós-mercado são essenciais para garantir que essas ferramentas realmente melhorem os resultados.

Direções Futuras

O futuro da IA na detecção do câncer é promissor. Pesquisadores estão desenvolvendo “modelos fundamentais” (IA grande treinada em conjuntos de dados enormes) que podem realizar muitas tarefas simultaneamente. O CHIEF de Harvard é um exemplo: foi treinado como um “ChatGPT para patologia” em milhões de fragmentos de imagem e funciona em vários tipos de câncer.

Abordagens similares podem em breve combinar imagens com dados genéticos e clínicos para um rastreamento ultra-personalizado. IA multimodal poderia prever não apenas se o câncer está presente, mas quão agressivo será, orientando a intensidade do acompanhamento.

O desempenho da IA também está melhorando rapidamente com novas técnicas. Sistemas CAD de próxima geração usam arquiteturas avançadas de redes neurais e grandes modelos de linguagem para interpretar imagens. Para o câncer de pulmão, especialistas observam que sistemas antigos eram “primitivos” comparados aos modelos atuais, e esperam que as novas versões sejam muito melhores.

Estudos internacionais (como ensaios multicêntricos na Europa e nos EUA) estão em andamento para validar ferramentas de IA em larga escala. À medida que os dados se acumulam, a IA aprenderá com resultados do mundo real, refinando continuamente sua precisão.

Em resumo, a IA já está ajudando médicos a detectar cânceres mais cedo a partir de imagens médicas – desde mamografias e tomografias até fotos de pele e lâminas de biópsia. Embora desafios persistam, pesquisas avançadas e aprovações regulatórias indicam um futuro em que a IA será uma aliada padrão no rastreamento do câncer.

Ao identificar tumores nos estágios iniciais, quando o tratamento é mais eficaz, essas tecnologias podem melhorar os resultados para muitos pacientes ao redor do mundo.