Saúde & Bem-EstarIA pode diagnosticar câncer de mama com mais rapidez e precisão

https://socientifica.com.br/wp-content/uploads/2019/07/cancer-de-mama.jpg

O câncer de mama é a principal causa de morte relacionada ao câncer entre as mulheres. Também é difícil de diagnosticar.

Quase 1 em cada 10 cânceres é diagnosticado erroneamente como não canceroso, o que significa que um paciente pode perder tempo crítico de tratamento. Por outro lado, quanto mais mamografias uma mulher tiver, mais provável será que ela veja um resultado falso positivo.

Após 10 anos de mamografias anuais, cerca de duas em cada três pacientes que não têm câncer serão informadas de que o possuem e serão submetidas a uma intervenção invasiva, provavelmente uma biópsia.

A elastografia de ultra-som de mama é uma técnica de imagem emergente que fornece informações sobre uma possível lesão mamária, avaliando sua rigidez de maneira não invasiva. Usando informações mais precisas sobre as características de uma lesão mamária cancerosa versus não-cancerosa, essa metodologia demonstrou mais precisão em comparação com os modos tradicionais de imagem.

No ponto crucial desse procedimento, no entanto, é um problema computacional complexo que pode ser demorado e complicado de resolver. Mas e se ao invés disso dependêssemos da orientação de um algoritmo?

Assad Oberai da USC Escola de Engenharia Viterbi Hughes e professor do Departamento de Engenharia Aeroespacial e Mecânica, fez essa pergunta no trabalho de pesquisa “Contornando a solução de problemas inversos na mecânica através da aprendizagem profunda: aplicação à imagem de elasticidade”, publicado na Computer Methods in Applied Mechanics and Engineering. Juntamente com uma equipe de pesquisadores, incluindo Dhruv Patel, estudante de doutorado da USC Viterbi, Oberai especificamente considerou o seguinte: Você pode treinar uma máquina para interpretar imagens do mundo real usando dados sintéticos e simplificar os passos para o diagnóstico? A resposta, segundo Oberai, é provavelmente sim.

No caso da elastografia de ultra-som de mama, uma vez que a imagem da área afetada é feita, a imagem é analisada para determinar os deslocamentos dentro do tecido. Usando esses dados e as leis físicas da mecânica, a distribuição espacial das propriedades mecânicas – como sua rigidez – é determinada. Depois disso, é preciso identificar e quantificar as características apropriadas da distribuição, levando, em última instância, a uma classificação do tumor como maligna ou benigna. O problema é que as duas etapas finais são computacionalmente complexas e intrinsecamente desafiadoras.

Na pesquisa, Oberai procurou determinar se eles poderiam pular as etapas mais complicadas deste fluxo de trabalho inteiramente.

O tecido mamário canceroso tem duas propriedades principais: heterogeneidade, o que significa que algumas áreas são moles e algumas são firmes, e elasticidade não linear, o que significa que as fibras oferecem muita resistência quando puxadas em vez da inicial associada a tumores benignos. Sabendo disso, Oberai criou modelos baseados em física que mostravam níveis variados dessas propriedades-chave. Ele então usou milhares de entradas de dados derivados desses modelos para treinar o algoritmo de Machine Learning.

Dados sintéticos versus mundo real

Mas por que você usaria dados derivados sinteticamente para treinar o algoritmo? Dados reais não seriam melhores?

“Se você tivesse dados suficientes disponíveis, não o faria”, disse Oberai. “Mas no caso de imagens médicas, você tem sorte se tiver 1.000 imagens. Em situações como essa, onde os dados são escassos, esse tipo de técnica se torna importante”.

Oberai e sua equipe usaram cerca de 12.000 imagens sintéticas para treinar seu algoritmo de aprendizado de máquina. Este processo é similar em muitos aspectos ao modo como o software de identificação por foto funciona, aprendendo através de repetidas contribuições como reconhecer uma pessoa em particular em uma imagem, ou como nosso cérebro aprende a classificar um gato em vez de um cão. Através de exemplos suficientes, o algoritmo é capaz de recolher diferentes características inerentes a um tumor benigno versus um tumor maligno e fazer a determinação correta.

Oberai e sua equipe alcançaram quase 100 por cento de precisão de classificação em outras imagens sintéticas. Uma vez que o algoritmo foi treinado, eles testaram em imagens do mundo real para determinar o quão preciso ele poderia ser em fornecer um diagnóstico, medindo esses resultados contra diagnósticos confirmados por biópsia associados a essas imagens.

“Tivemos uma taxa de precisão de 80%. Em seguida, continuamos a refinar o algoritmo usando mais imagens do mundo real como entradas”, disse Oberai.

Alterando como os diagnósticos são feitos

Há dois pontos predominantes que tornam o aprendizado de máquina uma ferramenta importante no avanço da paisagem para detecção e diagnóstico do câncer. Primeiro, os algoritmos de aprendizado de máquina podem detectar padrões que podem ser opacos para os seres humanos. Através da manipulação de muitos desses padrões, o algoritmo pode produzir um diagnóstico preciso. Em segundo lugar, o aprendizado de máquina oferece uma chance de reduzir o erro de operador para operador.

Então, isso substituiria o papel do radiologista na determinação do diagnóstico? Definitivamente não. Oberai não prevê um algoritmo que sirva como um único árbitro do diagnóstico do câncer, mas sim uma ferramenta que ajuda a orientar os radiologistas para conclusões mais precisas. “O consenso geral é que esses tipos de algoritmos têm um papel significativo a desempenhar, inclusive de profissionais de imagem que terão maior impacto. No entanto, esses algoritmos serão mais úteis quando não servirem de caixas pretas”, disse Oberai. “O que viu que levou à conclusão final? O algoritmo deve ser explicável para que funcione como pretendido.”

Adaptando o algoritmo para outros cânceres

Como o câncer causa diferentes tipos de alterações no tecido, a presença de câncer em um tecido pode levar a uma mudança em suas propriedades físicas, por exemplo, uma mudança na densidade ou na porosidade. Essas mudanças podem ser discernidas como um sinal em imagens médicas. O papel do algoritmo de aprendizado de máquina é selecionar esse sinal e usá-lo para determinar se um dado tecido que está sendo fotografado é cancerígeno.

Usando essas idéias, Oberai e sua equipe estão trabalhando com Vinay Duddalwar, professor de radiologia clínica na Escola Keck de Medicina da USC, para melhor diagnosticar o câncer renal através de imagens de TC com contraste. Usando os princípios identificados no treinamento do algoritmo de aprendizado de máquina para o diagnóstico de câncer de mama, eles procuram treinar o algoritmo em outras características que podem ser exibidas proeminentemente em casos de câncer renal, como alterações no tecido que refletem alterações específicas do câncer na microvasculatura do paciente – rede de microvasos que ajudam a distribuir o sangue dentro dos tecidos.

ORIGINAL INGLÊS: Researchers show how AI can be used to more quickly and accurately diagnose breast cancer [Medical Xpress]

Posts relacionados