IA aprende a identificar câncer de bexiga em imagens de microscopia usando transfer learning

Apesar de ter tratamento bem estabelecido, o câncer de bexiga não-invasivo ao músculo tem uma taxa de recorrência considerada alta. O diagnóstico e monitoramento é feito através da cistoscopia, que é o estudo da presença de cistos sob microscópio ótico. Esse método tem algumas limitações, já que sob a luz visível, tumores de diâmetro pequeno ou formato plano (sem manifestar protuberâncias) são difíceis de identificar. Além disso, a qualidade do diagnóstico depende da habilidade do pessoal técnico fazendo a avaliação das imagens.

Um trabalho de pesquisadores da Universidade do Hospital Tsukuba, no Japão, publicado em dezembro, propõe o uso de inteligência artificial para produzir resultados de exames mais consistentes com alta precisão. Eles desenvolveram um modelo baseado no GoogLeNet, que é uma rede convolucional pré-treinada na classificação de 1,2 milhão de imagens naturais em 1000 categorias distintas. Usando transfer learning, o modelo do estudo recebeu treinamento adicional com mais de 2000 imagens, sendo aproximadamente 80% de tecido saudável e o restante de lesões cancerígenas. Algumas imagens foram aleatoriamente alteradas (data augmentation) por rotação ou desfoque, o que tende a aumentar o poder de generalização do modelo. O desempenho foi avaliado com um dataset de validação não usado durante o treinamento. A medida AUROC foi de 0,98, muito próxima do máximo ideal; a sensibilidade chegou a 89,7%, e a especificidade ficou em 94,0%. O modelo também foi avaliado na sua habilidade de classificar os estágios da doença e o formato da lesão, tendo no caso AUC entre 0,96 e 1.

Esta pesquisa reforça a tendência crescente atual de empregar inteligência artificial em ferramentas diagnósticas. A aplicação de transfer learning se provou extremamente eficiente, pois o modelo alcançou índices altos de desempenho mesmo tendo à disposição um número relativamente pequeno de imagens para avaliar. Os pesquisadores sugerem que, no atual estágio, o modelo poderia ser usado para indicar imagens que merecem inspeção adicional por um médico, mas também acreditam que o modelo pode ganhar ainda mais precisão ao analisar um número maior de imagens com alta resolução. Espera-se que a inteligência artificial aprovada para uso clínico melhore a precisão dos diagnósticos e o tratamento desse tipo de câncer.