Pesquisadores descobriram que uma ferramenta de deep learning (aprendizado profundo) pode melhorar a classificação e o diagnóstico de tumores cerebrais por neurorradiologistas. A descoberta, publicada no JAMA Network Open, indica que a ferramenta de deep learning treinada para identificar e classificar tumores cerebrais com base em ressonâncias magnéticas padrão ajudaram os neurorradiologistas no diagnóstico.
Os pesquisadores começaram a investigar como o aprendizado profundo poderia ser usado para apoiar a classificação e o diagnóstico de tumores cerebrais. Ressonâncias magnéticas e biópsias, observa o estudo, são comumente usadas para o diagnóstico desses tumores, sendo a biópsia considerada o padrão para identificar o tipo de tumor.
No entanto, como as biópsias são invasivas, os pesquisadores queriam desenvolver um diagnóstico potencial baseado em exames de ressonância magnética. Infelizmente, a identificação do tipo de tumor apenas por meio de ressonância magnética pode ser difícil para os médicos, então a equipe de pesquisa desenvolveu um modelo de aprendizado profundo para analisar os dados de ressonância magnética.
O modelo foi criado usando dados de ressonância magnética coletados entre 2000 e 2019 de 37.871 pacientes. O sistema foi então treinado para avaliar cada imagem para classificar 18 tipos diferentes de tumores intracranianos. Após o treinamento, a precisão do diagnóstico do modelo foi testada em um conjunto de dados internos e três externos independentes. A utilidade clínica do modelo foi avaliada comparando sua precisão com a de neurorradiologistas.
O modelo alcançou alta precisão, sensibilidade e especificidade em geral. Também superou os neurorradiologistas em termos de precisão e sensibilidade, mas alcançou especificidade semelhante. Além de ser comparado com o desempenho do modelo, o desempenho do neurologista foi ainda avaliado com base em sua precisão ao avaliar tumores ao usar o modelo como ferramenta de suporte versus sem sua assistência.
Os pesquisadores descobriram que, com a ajuda do modelo, a precisão média dos neurologistas aumentou 12 pontos percentuais, de 63,5% sem assistência para 75,5% com assistência.
A equipe de pesquisa conclui que essas descobertas sugerem que uma ferramenta de diagnóstico automatizada baseada em aprendizado profundo pode ajudar a melhorar a classificação e o diagnóstico de tumores intracranianos entre neurorradiologistas usando dados de ressonância magnética.
O estudo é um dos esforços mais recentes para usar abordagens baseadas em inteligência artificial (IA) para imagens médicas e detecção de tumores. Em 2020, a Perelman School of Medicine da Universidade da Pensilvânia (Penn Medicine) fez uma parceria com a Intel para desenvolver um modelo de aprendizado de máquina para identificar tumores cerebrais e proteger a privacidade do paciente. O modelo foi desenvolvido usando aprendizado federado, que permite que os algoritmos sejam treinados usando dados mantidos localmente em vários servidores descentralizados sem a necessidade de trocar esses dados.
Em março, foram desenvolvidos modelos de visão computacional para melhorar a qualidade das ressonâncias magnéticas da cabeça, o que reduz o tempo necessário para relatar um exame de cabeça anormal e pode melhorar os resultados. Esses aprimoramentos de qualidade são especialmente críticos nos contextos de tumores cerebrais e lesões cerebrais traumáticas, nos quais a detecção precoce é um fator importante que influencia os resultados dos pacientes.
Esses estudos, segundo especialistas, mostram que há potencial para a IA transformar as imagens médicas e o suporte à decisão clínica, mas ainda permanecem desafios significativos.