Nos últimos anos, a inteligência artificial (IA) tem transformado a radiologia, auxiliando na segmentação de imagens, detecção de nódulos e reconhecimento de padrões sutis que muitas vezes passam despercebidos em exames convencionais. Apesar do avanço, grande parte desses sistemas funciona como uma “caixa‑preta”, sem explicar por que chegou a determinada conclusão — fato que gera desconfiança entre médicos e reguladores.
Para enfrentar esse desafio, uma equipe internacional, com pesquisadores da Arábia Saudita, do Egito e da Polônia publicaram o estudo “Explainable AI for lung cancer detection via a custom CNN on CT images”, que apresenta uma solução que alia alto desempenho a transparência. A equipe treinou uma rede neural convolucional (ou CNN, do inglês Convolutional Neural Network), um tipo de modelo de IA inspirado no cérebro que aplica diversas camadas de filtros para “varrer” imagens em busca de padrões como bordas, texturas e formas, alcançando 93,06% de acurácia em mais de 10 mil tomografias de pulmão — ou TC (tomografia computadorizada), exame que produz imagens em “fatias” do órgão.
Segundo o Instituto Nacional de Câncer (INCA), o Brasil teve cerca de 32 560 novos casos de tumores de traqueia, brônquio e pulmão em 2022 e registrou 28 868 óbitos pela doença em 2021. Hoje, menos de 20% dos diagnósticos ocorrem em estágio inicial, quando a sobrevida em cinco anos pode ultrapassar 60%, contra menos de 20% nos estágios avançados. “A detecção precoce do câncer de pulmão é determinante para a eficácia do tratamento e para a sobrevida do paciente. Identificar lesões ainda pequenas pode dobrar, ou até triplicar, as chances de cura”, afirma Carlos Gil Ferreira, oncologista torácico e presidente do Instituto Oncoclínicas.
O grande diferencial está no Grad‑CAM (Gradient‑weighted Class Activation Mapping), técnica de IA explicável que gera um “mapa de calor” sobre a TC, indicando exatamente quais regiões da imagem motivaram a suspeita. Em vez de um simples “câncer” ou “sem câncer”, o radiologista vê, em cores, onde a IA concentrou sua atenção .
Em testes com um conjunto de exames previamente classificados, avaliou‑se a sensibilidade, isto é, a capacidade de identificar corretamente quem de fato tem a doença. Nos casos de carcinoma de grandes células e de células escamosas — os subtipos menos comuns — o sistema apontou o tumor em mais de 85 de cada 100 exames verdadeiramente positivos, mostrando que raramente “perde” um caso real de câncer.
Para verificar a habilidade de separar quem tem e quem não tem câncer, usa‑se a área sob a curva ROC (AUC, sigla em inglês para “área sob a curva de característica de operação do receptor”), um número que varia de 0 (não acerta nada) a 1 (acerta sempre). Como o valor ficou entre 0,96 e 1,00, isso indica que o algoritmo quase nunca confunde um exame saudável com um exame doente, ou vice‑versa. “Este recurso funciona como um sinalizador de atenção para o radiologista, indicando onde vale a pena aprofundar a análise”, diz Carlos Gil.
Desenvolvida para rodar em GPUs (unidades de processamento gráfico, ou placas de vídeo) de médio porte — comuns em estações de trabalho de rotina em hospitais — a solução dispensa data centers caros e facilita a adoção em redes públicas e clínicas particulares. “Ficamos entusiasmados com a união de precisão e clareza, mas é fundamental validar o sistema em diferentes locais e equipamentos antes de integrá‑lo à prática diária”, afirma o oncologista.
