Uma solução de machine learning foi capaz de classificar os subtipos de câncer de pulmão com o mesmo nível de precisão que os patologistas humanos, de acordo com um estudo conduzido pelo Norris Cotton Cancer Center de Dartmouth e publicado na Scientific Reports.
O carcinoma de pulmão é a principal causa de morte por câncer entre homens e mulheres nos EUA, observaram os pesquisadores. O adenocarcinoma pulmonar é o tipo histológico mais comum de câncer de pulmão, e essa classificação é responsável por cerca de metade dos casos nos EUA.
O tratamento para o adenocarcinoma do pulmão é baseado no grau e estágio do tumor, ambos os quais são determinados pelos patologistas. No entanto, identificar os subtipos histológicos no adenocarcinoma pode ser extremamente desafiador e subjetivo.
“Cerca de 80 por cento dos casos de adenocarcinoma contêm um espectro misto de múltiplos padrões histológicos, e os critérios qualitativos utilizados para a classificação tendem a induzir a variabilidade interobservador entre os patologistas”, disseram os pesquisadores.
A equipe desenvolveu um modelo de aprendizagem profunda que classifica automaticamente diferentes tipos de adenocarcinoma pulmonar nas lâminas histopatológicas. O grupo então comparou a classificação do modelo de 143 imagens de slide inteiro ao trabalho de três patologistas humanos.
Os resultados mostraram que o modelo de aprendizagem profunda e os três desempenhos dos patologistas estavam dentro dos intervalos de confiança de 95% de concordância em todos os padrões histológicos predominantes.
A equipe também criou uma visualização dos padrões histológicos identificados pelo modelo nas imagens do slide inteiro. Cada um dos três patologistas conduziu uma análise qualitativa subjetiva dos padrões histológicos, e cada um deles confirmou que os padrões detectados nas lâminas eram precisos.
Esses resultados demonstram o potencial do modelo em melhorar a classificação do adenocarcinoma pulmonar.
O grupo disse que o modelo poderia ser usado em vários ambientes clínicos, incluindo os sistemas existentes de gerenciamento de informações laboratoriais, nos quais ele poderia pré-preencher automaticamente os diagnósticos para padrões histológicos em slides.
A ferramenta também pode acelerar o processo de diagnóstico do tumor, solicitando automaticamente testes genéticos para certos pacientes, com base em padrões histológicos detectados. Isso poderia permitir aos patologistas diagnosticar e tratar os pacientes mais rapidamente.
Os resultados deste estudo espelham resultados de outros esforços de pesquisa recentes. Em dezembro de 2018, uma equipe de pesquisadores desenvolveu um modelo de aprendizagem profunda que foi capaz de replicar os escores diagnósticos de sono para apneia do sono, estadiamento do sono e movimentos dos membros com a mesma precisão que os médicos humanos.
Em um estudo separado da Escola de Medicina Mount Sinai Icahn, uma ferramenta de aprendizagem profunda que detectou doenças neurológicas em tomografia computadorizada processou as imagens 150 vezes mais rápido que os radiologistas humanos.
O grupo de pesquisa de câncer de pulmão de Dartmouth observou que seu estudo tinha algumas limitações, incluindo que foi conduzido com base em dados de um único centro médico, portanto os dados podem não ser representativos de todos os padrões histológicos de adenocarcinoma de pulmão.
A equipe também reconheceu que seu estudo usou um conjunto de dados relativamente pequeno em comparação com conjuntos clássicos de aprendizagem profunda, muitos dos quais têm mais de um milhão de imagens exclusivas no total.
Ainda assim, os pesquisadores estão confiantes de que seu modelo poderia acelerar a classificação, o diagnóstico e o tratamento do câncer de pulmão.
“Nosso estudo demonstra que o aprendizado de máquina pode alcançar alto desempenho em uma tarefa desafiadora de classificação de imagens e tem o potencial de ser uma vantagem para o gerenciamento do câncer de pulmão”, disse Saeed Hassanpour, PhD, um dos principais autores do estudo.
“A implementação clínica do nosso sistema seria capaz de ajudar os patologistas para a classificação precisa dos subtipos de câncer de pulmão, o que é crítico para o prognóstico e tratamento”.
O grupo disponibilizou seu código publicamente a outros pesquisadores para apoiar novas pesquisas e colaborações nessa área. Além disso, a equipe tem planos de aplicar o modelo a outras tarefas de análise de imagens histopatológicas para câncer de mama, esôfago e colorretal.
“Se validado através de ensaios clínicos, o nosso modelo de rede neural pode potencialmente ser implementado na prática clínica para auxiliar os patologistas”, concluiu Hassanpour.
