Ao implementar a inteligência artificial (IA) no tratamento do câncer, as ferramentas de aprendizado de máquina podem detectar a doença, auxiliar na tomada de decisões e recomendar abordagens de tratamento. À medida que o emprego da IA na área da saúde continua crescendo, os pesquisadores estão descobrindo novas maneiras de utilizar seus recursos. No gerenciamento e prevenção de doenças crônicas, especialmente na pesquisa do câncer, a IA tem sido fundamental no processo de diagnóstico, tomada de decisão e tratamento.
De acordo com o National Cancer Institute, IA, aprendizado de máquina e aprendizado profundo podem ser usados para melhorar o tratamento do câncer e os resultados dos pacientes. “A integração da tecnologia no tratamento do câncer pode melhorar a precisão e a velocidade do diagnóstico, ajudar na tomada de decisões clínicas e levar a melhores resultados de saúde. O atendimento clínico guiado por IA tem o potencial de desempenhar um papel importante na redução das disparidades de saúde, principalmente em ambientes de poucos recursos”, escreveu o NCI na Cancer Detection & Diagnosis Research. “Com o uso da IA, os pesquisadores podem criar o próximo estágio da oncologia de precisão”, completou o texto.
Uso da IA na detecção de câncer
Recentemente, profissionais médicos expandiram o uso de recursos de IA na detecção de câncer. Na Universidade de Tulane, em Nova Orleans, EUA, os pesquisadores descobriram que a IA pode detectar e diagnosticar com precisão o câncer colorretal analisando exames de tecido tão bem ou melhor do que os patologistas. Os pesquisadores reuniram mais de 13 mil imagens de câncer colorretal de 8.803 pessoas e 13 centros independentes de câncer na China, Alemanha e Estados Unidos. Depois, usando imagens que os técnicos selecionaram aleatoriamente, os pesquisadores construíram um programa de aprendizado de máquina.
O programa pode reconhecer imagens de câncer colorretal, que segundo os pesquisadores, é uma das causas mais comuns de mortes relacionadas ao câncer na Europa e nos EUA.
Depois de criar uma ferramenta de medição de desempenho, a equipe de pesquisadores comparou a técnica de aprendizado de máquina ao trabalho feito pelos patologistas. O estudo indicou que o patologista médio marcou cerca de 0,969 de precisão ao identificar o câncer colorretal, enquanto o programa marcou 0,98, provando ser um pouco mais preciso do que os dados manuais dos patologistas. Segundo os pesquisadores, há esperança de que o estudo encoraje os patologistas a usar mais tecnologia de pré-triagem para acelerar o diagnóstico.
A IA não apenas pode detectar o câncer mais cedo, mas também pode melhorar a precisão da detecção. Pesquisadores da Universidade de Nova York criaram um programa de IA treinado para identificar padrões entre milhares de imagens de ultrassom de mama para ajudar os médicos no diagnóstico. Quando testado em 44.755 exames de ultrassom concluídos, a ferramenta de IA aumentou a capacidade dos radiologistas de identificar com precisão o câncer de mama em 37%. Além disso, a ferramenta ajudou a reduzir em 27% o número de amostras de tecidos e biópsias necessárias para confirmar tumores.
“Nosso estudo demonstra como a inteligência artificial pode ajudar os radiologistas a ler exames de ultrassom de mama para revelar apenas aqueles que mostram sinais reais de câncer de mama e evitar a verificação por biópsia em casos que se revelam benignos”, disse o pesquisador sênior Krzysztof Geras, PhD, em um comunicado de imprensa.
A IA também pode contribuir para que as tecnologias já existentes forneçam resultados melhores aos pacientes. De acordo com um estudo recente, os profissionais médicos podem usar a tecnologia de IA para classificar com rapidez e precisão as ressonâncias magnéticas de mama em pacientes com tecido mamário denso para eliminar aqueles sem câncer.
Embora a mamografia desempenhe um papel importante na redução de mortes relacionadas ao câncer de mama, ela é menos sensível em mulheres com tecido mamário extremamente denso. Além disso, as mulheres com seios extremamente densos são três a seis vezes mais propensas a desenvolver câncer de mama do que as mulheres com seios quase inteiramente gordurosos e duas vezes mais propensas do que a média das mulheres. Segundo os pesquisadores, ao combinar recursos de mamografia e IA, a tecnologia pode reduzir significativamente a carga de trabalho dos radiologistas e melhorar os resultados dos pacientes.
Modelos preditivos para a tomada de decisão
Os modelos preditivos tornaram-se um elemento crítico no tratamento do câncer. Ao identificar os fatores de risco, os modelos preditivos podem determinar a probabilidade de um indivíduo desenvolver certos tipos de câncer. Os profissionais médicos podem, então, incentivar os pacientes a se envolverem em estratégias de cuidados preventivos.
De acordo com pesquisadores da Universidade do Havaí, o aprendizado profundo pode distinguir entre as mamografias de mulheres que mais tarde desenvolverão câncer de mama e aquelas que não o farão. Não só as mamografias podem ajudar na detecção de câncer, mas a tecnologia também pode prever o risco de câncer de mama medindo a densidade da mama. Embora mamas mais densas na mamografia sejam tipicamente associadas a um risco maior de câncer, outros fatores desconhecidos ocultos na mamografia podem contribuir para o risco.
Não só as mamografias podem ajudar na detecção de câncer, mas a tecnologia também pode prever o risco de câncer de mama medindo a densidade da mama. Embora mamas mais densas na mamografia sejam tipicamente associadas a um risco maior de câncer, outros fatores desconhecidos ocultos na mamografia podem contribuir para o risco. “Os métodos convencionais de avaliação de risco de câncer de mama usando fatores de risco clínicos não foram tão eficazes”, disse o principal autor do estudo, John A. Shepherd, PhD, em um comunicado à imprensa. “Pensamos que havia mais na imagem do que apenas a densidade da mama que seria útil para avaliar o risco.”
A equipe de pesquisa usou um conjunto de dados de mais de 25 mil mamografias digitais de 6.369 mulheres. Mais de 1.600 das mulheres desenvolveram câncer de mama detectado pela triagem e 351 desenvolveram câncer de mama invasivo. A equipe treinou o modelo de aprendizado profundo para encontrar detalhes na mamografia ligados ao aumento dos riscos de câncer. Quando eles testaram o modelo baseado em aprendizado profundo, ele teve um desempenho inferior na avaliação dos fatores de risco para o risco de câncer de intervalo. No entanto, os pesquisadores disseram que o modelo superou os fatores de risco clínicos, incluindo a densidade da mama, na determinação do risco de câncer detectado pela triagem. “Os resultados mostraram que o sinal extra que estamos recebendo com a IA fornece uma estimativa de risco melhor para o câncer detectado pela triagem”, disse Shepherd. “Isso nos ajudou a atingir nosso objetivo de classificar as mulheres em baixo risco ou alto risco de câncer de mama detectado por rastreamento.”
De acordo com a equipe, esses achados podem impactar significativamente as práticas clínicas nas quais a densidade mamária por si só orienta muitas decisões de gerenciamento.
Tomar decisões médicas em relação ao diagnóstico de câncer pode ser particularmente desafiador devido aos altos custos do tratamento e não há garantia de que um paciente será curado. Ao coletar informações de dados, os pesquisadores do Centro de Câncer da Universidade do Colorado estão trabalhando para criar uma ferramenta de tomada de decisão para mulheres que receberam recentemente um diagnóstico de câncer de mama.
Em 2019, a professora assistente de oncologia cirúrgica Sarah Tevis e uma equipe de pesquisadores começaram a coletar dados pesquisando mulheres diagnosticadas com câncer de mama para entender melhor os resultados da qualidade de vida. O estudo apresenta dados coletados de resultados relatados de três e seis meses de pacientes que tiveram lumpectomias e mastectomias.
“Esperamos reunir um grande grupo de dados de pacientes para ter uma ideia do que o paciente médio experimenta três meses, seis meses, um ano após o tratamento. Isso nos dá uma base de dados para poder dizer aos pacientes: ‘aqui está o que outras pessoas em situações semelhantes às suas experimentaram'”, disse Tevis em um comunicado à imprensa. “Fomos muito bons em dizer aos pacientes o que esperar a curto prazo, talvez no primeiro mês após a cirurgia, mas, além disso, não conseguimos fornecer informações boas e baseadas em dados, como eles podem se sentir um ano após a cirurgia. cirurgia ou ainda mais a longo prazo.”
Uma ferramenta de tomada de decisão ajudará pacientes com câncer de mama recentemente diagnosticados a decidir se desejam ou não prosseguir com o tratamento.
Desenvolvimento de respostas ao tratamento
Antes de prosseguir com o tratamento, os médicos podem usar a IA para prever como os pacientes podem responder a certos medicamentos. A informação preditiva é fundamental para pacientes e médicos ao decidir as opções de tratamento.
Em um estudo colaborativo, os pesquisadores analisaram amostras de biópsia coletadas em três grandes ensaios clínicos randomizados. Segundo os pesquisadores, os médicos poderiam usar os resultados dos testes genéticos para criar um tratamento personalizado para homens com as formas mais agressivas de câncer de próstata. Dois terços das mortes por câncer de próstata ocorrem em pacientes com câncer de próstata de alto risco. Portanto, equilibrar o risco de sobrevida com a qualidade de vida é importante a ser considerado ao tomar decisões de tratamento.
Ainda de acordo com os pesquisadores, os biomarcadores podem ser usados para criar medicina de precisão, diretrizes de tratamento e identificar quem pode se beneficiar de diferentes métodos de terapia. “Quando um homem é diagnosticado com câncer de próstata de alto risco, não temos uma maneira amplamente aceita de subclassificar seu câncer e realmente personalizar sua terapia, mas achamos que teremos em um futuro próximo”, disse em um comunicado público o principal autor e professor da Harvard Medical School Paul L. Nguyen. Ele e sua equipe usaram o teste de biópsia Decipher, que analisou a atividade de 22 genes em tumores de próstata, para criar pontuações que refletissem a agressividade do câncer de um paciente.
Os pesquisadores calcularam as pontuações do Decipher usando RNA extraído de amostras de biópsia de arquivo coletadas em três grandes testes de câncer de próstata. Eles então analisaram como as pontuações estavam relacionadas aos resultados de longo prazo. Com a análise preditiva, as assinaturas genéticas indicaram quais pacientes tinham maior probabilidade de desenvolver metástases distantes, morrer de câncer de próstata e morrer de outras causas.
Todo mundo é diferente e nem todos os pacientes terão a mesma resposta aos medicamentos. O aprendizado de máquina e a análise preditiva também podem evitar efeitos colaterais desnecessários de tratamentos contra o câncer que podem não funcionar para o indivíduo. Os pesquisadores do Georgia Institute of Technology e do Ovarian Cancer Institute usaram algoritmos de aprendizado de máquina para determinar como seus pacientes responderiam a medicamentos contra o câncer.
Para o estudo, o professor da School of Biological, John F. McDonald, e sua equipe criaram modelos preditivos baseados em aprendizado de máquina para 15 tipos distintos de câncer, usando dados de 499 linhagens celulares independentes do National Cancer Institute. Os modelos foram então validados com um conjunto de dados clínicos contendo sete quimioterápicos, administrados isoladamente ou em combinação a 23 pacientes com câncer de ovário. O modelo mostrou uma precisão preditiva geral de 91%.
À medida que os recursos de IA continuam a se desenvolver, os pesquisadores podem encontrar maneiras de implementar a tecnologia para melhorar o tratamento do câncer e os resultados dos pacientes.
