A inteligência artificial melhora a precisão dos diagnósticos de ultrassom da mama

Em 2020, a Agência Internacional de Pesquisa sobre o Câncer da Organização Mundial da Saúde declarou que o câncer de mama é responsável pela maioria das morbidades e mortalidade por câncer em mulheres em todo o mundo. Esta estatística alarmante não só necessita de novos métodos para o diagnóstico precoce do câncer de mama, mas também traz à luz a importância da previsão do risco de ocorrência e desenvolvimento desta doença. Ultrassom é um procedimento diagnóstico eficaz e não invasivo que realmente salva vidas; no entanto, às vezes é difícil para os ultrassonologistas distinguir entre tumores malignos e outros tipos de crescimentos benignos. Em particular, na China, as massas mamárias são classificadas em quatro categorias: tumores benignos, tumores malignos, massas inflamatórias e adenose (aumento das glândulas produtoras de leite). Quando uma massa mamária benigna é diagnosticada erroneamente como tumor maligno, geralmente é feita uma biópsia, o que coloca a paciente em risco desnecessário. A interpretação correta das imagens de ultrassom torna-se ainda mais difícil quando se leva em consideração a grande carga de trabalho de médicos especialistas.

Algoritmos de aprendizado profundo podem ser a solução para esse enigma? O professor Wen He, MD, (Beijing Tian Tan Hospital, Capital Medical University, China) pensa assim. “A inteligência artificial é boa para identificar padrões complexos em imagens e quantificar informações que os humanos têm dificuldade em detectar, complementando assim a tomada de decisões clínicas”, afirma. Embora muito progresso tenha sido feito na integração de algoritmos de aprendizado profundo na análise de imagens médicas, a maioria dos estudos em ultrassom mamário lida exclusivamente com a diferenciação de diagnósticos malignos e benignos. Em outras palavras, as abordagens existentes não tentam categorizar as massas mamárias nas quatro categorias mencionadas acima.

Para lidar com essa limitação, He, em colaboração com cientistas de 13 hospitais na China, conduziu o maior estudo multicêntrico sobre ultra-som mamário até o momento em uma tentativa de treinar redes neurais convolucionais (CNNs) para classificar imagens de ultrassom. Conforme detalhado em seu artigo publicado no  Chinese Medical Journal , os cientistas coletaram 15.648 imagens de 3.623 pacientes e usaram metade delas para treinar e a outra metade para testar três modelos diferentes da CNN. O primeiro modelo usou apenas imagens de intensidade de ultrassom 2D como entrada, enquanto o segundo modelo também incluiu imagens Doppler de fluxo em cores, que fornecem informações sobre o fluxo sanguíneo ao redor das lesões mamárias. O terceiro modelo acrescentou imagens Doppler de onda pulsada, que fornecem informações espectrais sobre uma área específica dentro das lesões.

Cada CNN consistia em dois módulos. O primeiro, o módulo de detecção, continha dois submódulos principais cuja tarefa geral era determinar a posição e o tamanho da lesão mamária na imagem de ultrassom 2D original. O segundo módulo, o módulo de classificação, recebeu apenas a porção extraída das imagens ultrassonográficas contendo a lesão detectada. A camada de saída continha quatro categorias correspondentes a cada uma das quatro classificações de massas mamárias comumente usadas na China.

Primeiro, os cientistas verificaram qual dos três modelos teve melhor desempenho. As precisões foram semelhantes e em torno de 88%, mas o segundo modelo, incluindo imagens 2D e dados de Doppler de fluxo em cores, teve desempenho um pouco melhor do que os outros dois. A razão pela qual os dados do Doppler de onda pulsada não contribuíram positivamente para o desempenho pode ser que poucas imagens de onda pulsada estavam disponíveis no conjunto de dados geral. Em seguida, os pesquisadores verificaram se as diferenças no tamanho do tumor causaram diferenças no desempenho. Enquanto lesões maiores resultaram em maior precisão em tumores benignos, o tamanho não pareceu afetar a precisão ao detectar doenças malignas. Finalmente, os cientistas testaram um de seus modelos da CNN comparando seu desempenho ao de 37 ultrassonologistas experientes, usando um conjunto de 50 imagens selecionadas aleatoriamente.

Este estudo mostra claramente as capacidades dos algoritmos de aprendizado profundo como ferramentas complementares para o diagnóstico de lesões mamárias por meio de ultrassom. Além disso, ao contrário de estudos anteriores, os pesquisadores incluíram dados obtidos com equipamentos de ultrassom de diferentes fabricantes, o que sugere a notável aplicabilidade dos modelos CNN treinados, independentemente dos dispositivos de ultrassom presentes em cada hospital. No futuro, a integração da inteligência artificial aos procedimentos de diagnóstico com ultrassom pode acelerar a detecção precoce do câncer. Também traria outros benefícios, como explica o Dr. He: "Como os modelos da CNN não requerem nenhum tipo de equipamento especial, suas recomendações diagnósticas poderiam reduzir biópsias predeterminadas, simplificar a carga de trabalho dos ultrassonologistas e permitir um tratamento direcionado e refinado."

Esperemos que a inteligência artificial logo encontre um lar no diagnóstico por imagem de ultrassom, para que os médicos possam trabalhar de maneira mais inteligente, não mais difícil.

Para mais informações:  www. cactusglobal. com /

Imagem: O ultrassom é uma ferramenta de diagnóstico inestimável para a detecção precoce do câncer de mama, mas a classificação das lesões às vezes é desafiadora e demorada. A inteligência artificial poderia conter a resposta para resolver esses problemas? Cortesia gráfica do Chinese Medical Journal

Fonte: https://www.itnonline.com/content/artificial-intelligence-improves-accuracy-breast-ultrasound-diagnoses