Uma das técnicas mais modernas usadas no diagnóstico de câncer é o PET, sigla em inglês para tomografia de emissão pósitron. O paciente a ser avaliado recebe uma injeção com uma molécula radioativa, comumente conhecida por contraste, que pode ser detectada pelo scanner de PET. Como as células cancerígenas têm um metabolismo anômalo, a concentração dessas moléculas em alguma região do corpo geralmente indica a presente de câncer. Os dados do PET, que servem como marcador de metabolismo, são cruzados com dados anatômicos, como aqueles gerados por MRI (imagem por ressonância magnética), para consolidar um mapa tridimensional da região do corpo sendo analisada.
Acontece que o sinal captado pela máquina de PET precisa ser convertido para uma imagem para poder ser interpretado por um médico. Atualmente, essa conversão apresenta alguns gargalos. A imagem é gerada por um processo iterativo onde o resultado final é atualizado passo-a-passo buscando aproximar os dados medidos pelo scanner. Isso causa a necessidade de um enorme poder computacional.
Buscando superar esses problemas, pesquisadores do Memorial Sloan Kettering (MSK) Cancer Center em Nova York aplicaram um modelo de deep learning aos dados brutos. A rede neural convolucional treinada dessa maneira foi capaz de aprender características físicas e estatísticas associadas ao scanner PET utilizado, assim como padrões contidos em sinais de PET. Após a validação do método, foi possível passar ao modelo novos sinais e fazer a reconstrução das imagens sem a necessidade do processo repetitivo atual. Isso diminuiu o tempo do processamento em 108 vezes. Além disso, o modelo foi tão bem sucedido na extração dos parâmetros associados ao método PET que as imagens finais eram de melhor qualidade.
Os pesquisadores batizaram seu método de DeepPET, e publicaram seus resultados recentemente. Eles esperam que a adoção dessa abordagem melhore o diagnóstico de câncer. A Dra. Ida Häggström, responsável pelo trabalho, disse: “O ganho que nós observamos na velocidade de reconstrução e na qualidade da imagem deve proporcionar uma avaliação da imagem mais eficiente e diagnósticos e decisões de tratamento mais confiáveis, o que no final das contas deve levar a um melhor tratamento para nossos pacientes.”