Desempenho de rede neural profunda (Deep Learning) supera médicos em detecção de câncer

Pin It

O relatório de um patologista após a revisão das amostras de tecido biológico de um paciente é frequentemente o padrão-ouro no diagnóstico de muitas doenças. Para o câncer em particular, o diagnóstico de um patologista tem um impacto profundo na terapia de um paciente. A revisão de patologia é uma tarefa muito complexa que exige anos de formação e treinamento.

Esquerda: Imagens de duas biópsias de linfonodos. Meio: resultados anteriores. Direito: resultados atuais. Observe o ruído visivelmente reduzido (potenciais falsos positivos) entre as duas versões.

Esquerda: Imagens de duas biópsias de linfonodos. Médio: resultados anteriores. Direito: Resultados atuais com Deep Learning. Observe o ruído visivelmente reduzido (potenciais falsos positivos) entre as duas versões.

 

Mesmo com um treinamento extenso é comum uma certa variabilidade nos diagnósticos fornecidos por diferentes patologistas para o mesmo paciente. A falta de padrão não surpreende dada a enorme quantidade de informações que devem ser analisadas a fim de se fazer um diagnóstico preciso. Os patologistas são responsáveis por analisar todos as imagens visíveis de tecidos biológicos em um exame, cada uma das quais com até 10 gigapixels de informação quando digitalizadas com uma ampliação de 40X. Imagine terque passar por mil fotos de 10 megapixels (MP) cada e analisar cada pixel com um intervalo de tempo limitado.

Para tratar essa questão de excesso de informação que causa variabilidade no diagnóstico, técnicas de inteligência artificial como Deep Learning podem os profissionais por meio da automação da análise dessas imagens. Pesquisadores da Google utilizaram um banco de dados da Radboud University Medical Center para treinar um rede neural profunda (deep learning) para localizar cancer com metastase nos linfonodos adjacentes à mama.

Fazendo uso da arquitetura denominada GoogLeNet Inception os resultados foram bastante animadores. Analisando imagens em diferentes ampliações (de forma similar a um patologista), os resultados divulgados mostram ser possível obter um modelo computacional que correspondia ou excedia o desempenho de um patologista experiente. 

Os mapas de calor de previsão produzidos pela IA melhoraram tanto que o escore de localização (FROC) atingiu 89%, o que excedeu significativamente a pontuação de 73% para um patologista. Mais do que os números obtidos um fato relevante foi de que a IA foi capaz de generalizar os bons resultados para imagens que foram adquiridas de hospitais diferente usando scanners diferentes. 

A validação desse tipo de resultado é apenas o primeiro de muitos no desenvolvimento de soluções - com origem em pesquisas interessantes e finalização com um produto comercial. Desde a validação clínica até a aprovação regulatória, existe uma grande jornada é inegável o resultado promissor que reacende a esperança de serviços e soluções cada vez melhores no setor da saúde.

 Para maiores detalhes do estudo, consulte o paper  Detecting Cancer Metastases on Gigapixel Pathology Images.

 

Pin It