O modelo desenvolvido no Laboratório de Informática e Inteligência Artificial do MIT pode reduzir falsos positivos e cirurgias desnecessárias.
Todos os anos, 40 mil mulheres morrem por câncer de mama apenas nos EUA. Quando os cânceres são encontrados cedo, eles geralmente podem ser curados. Os mamogramas são o melhor teste disponível, mas ainda são imperfeitos e muitas vezes resultam em resultados falsos positivos que podem levar a biópsias e cirurgias desnecessárias.
Uma causa comum de falsos positivos são as chamadas lesões de “alto risco” que parecem suspeitas em mamografias e possuem células anormais quando testadas por biópsia com agulha. Neste caso, o paciente geralmente sofre cirurgia para remover a lesão; no entanto, as lesões se tornam benignas na cirurgia 90 por cento do tempo. Isso significa que todos os anos, milhares de mulheres passam por cirurgias dolorosas, caras e indutoras de cicatrizes que nem sequer eram necessárias .
Como, então, as cirurgias desnecessárias podem ser eliminadas enquanto ainda mantêm o importante papel da mamografia na detecção de câncer? Pesquisadores do Laboratório de Informática e Inteligência Artificial do MIT (CSAIL), Massachusetts General Hospital e Harvard Medical School acreditam que a resposta é transformar-se em inteligência artificial (AI).
Como um primeiro projeto para aplicar AI para melhorar a detecção e o diagnóstico, as equipes colaboraram para desenvolver um sistema de AI que usa aprendizado de máquina para prever se uma lesão de alto risco identificada em biópsia com agulha após uma mamografia irá atualizar para câncer na cirurgia.
Quando testado em 335 lesões de alto risco, o modelo diagnosticou corretamente 97 por cento dos cânceres de mama como malignos e reduziu o número de cirurgias benignas em mais de 30 por cento em comparação com as abordagens existentes.
“Como as ferramentas de diagnóstico são tão inexatas, há uma tendência compreensível para que os médicos examinem demais o câncer de mama”, diz Regina Barzilay, professora de Delta Electronics da MIT, de Engenharia Elétrica e Ciência da Computação e uma sobrevivente de câncer de mama. “Quando há muita incerteza nos dados, o aprendizado em máquina é exatamente a ferramenta que precisamos para melhorar a detecção e prevenir o excesso de tratamento”.
Treinado em informações sobre mais de 600 lesões de alto risco existentes, o modelo procura padrões entre muitos elementos de dados diferentes que incluem demografia, histórico familiar, biópsias passadas e relatórios de patologia.
“Para o nosso conhecimento, este é o primeiro estudo a aplicar o aprendizado de máquina para a tarefa de distinguir lesões de alto risco que precisam de cirurgia por aqueles que não”, diz o colaborador Constance Lehman, professor da Harvard Medical School e chefe da Breast Imaging Divisão no Departamento de Radiologia da MGH. “Acreditamos que isso poderia ajudar as mulheres a tomar decisões mais informadas sobre o tratamento deles e que pudéssemos oferecer abordagens mais específicas para os cuidados de saúde em geral”.
Um recente premiado com MacArthur “genius grant” , Barzilay é um co-autor de um novo artigo de revista descrevendo os resultados, co-escrito com Lehman e Manisha Bahl de MGH, bem como estudantes de pós-graduação CSAIL Nicholas Locascio, Adam Yedidia e Lili Yu . O artigo foi publicado hoje na revista médica Radiology .
Como funciona
Quando uma mamografia detecta uma lesão suspeita, uma biópsia com agulha é realizada para determinar se é câncer. Aproximadamente 70 por cento das lesões são benignas, 20 por cento são malignas e 10 por cento são lesões de alto risco.
Os médicos administram lesões de alto risco de diferentes maneiras. Alguns fazem cirurgia em todos os casos, enquanto outros realizam a cirurgia apenas para lesões com taxas de câncer mais altas, como “hiperplasia ductal atípica” (ADH) ou “carcinoma lobular in situ” (LCIS).
A primeira abordagem exige que o paciente sofra uma cirurgia dolorosa, demorada e dispendiosa que geralmente não é necessária; A segunda abordagem é imprecisa e pode resultar em cancros faltantes em lesões de alto risco, além de ADH e LCIS.
“A grande maioria dos pacientes com lesões de alto risco não tem câncer, e estamos tentando encontrar os poucos que o fazem”, diz Bahl, um colega médico do Departamento de Radiologia da MGH. “Em um cenário como este, há sempre o risco de que, quando você tentar aumentar o número de cânceres que você pode identificar, você também aumentará o número de falsos positivos que você encontra”.
Usando um método conhecido como “classificador de floresta aleatória”, o modelo da equipe resultou em menos cirurgias desnecessárias em comparação com a estratégia de sempre fazer cirurgia, ao mesmo tempo em que é capaz de diagnosticar lesões mais cancerígenas do que a estratégia de fazer apenas uma cirurgia em “alta” tradicional – lesões de risco “(especificamente, o novo modelo diagnosticou 97% dos cânceres em comparação com 79%).
“Este trabalho destaca um exemplo do uso da tecnologia de aprendizado de máquinas de ponta para evitar cirurgias desnecessárias”, diz Marc Kohli, diretor de informática clínica do Departamento de Radiologia e Imagem Biomédica da Universidade da Califórnia em São Francisco. “Este é o primeiro passo para a comunidade médica abraçar o aprendizado da máquina como forma de identificar padrões e tendências invisíveis para os humanos”.
Lehman diz que os radiologistas MGH começarão a incorporar o modelo em sua prática clínica no próximo ano.
“No passado, poderíamos recomendar que todas as lesões de alto risco fossem excisadas cirurgicamente”, diz Lehman. “Mas agora, se o modelo determinar que a lesão tem uma chance muito baixa de ser cancerígena em um paciente específico, podemos ter uma discussão mais informada com nosso paciente sobre suas opções. Pode ser razoável que alguns pacientes tenham suas lesões seguidas com imagem em vez de cirurgicamente excisadas “.
A equipe diz que ainda estão trabalhando para aperfeiçoar o modelo.
“No futuro trabalho, esperamos incorporar as imagens reais das mamografias e imagens das lâminas de patologia, bem como informações mais extensas sobre os pacientes a partir de registros médicos”, diz Bahl.
Avançando, o modelo também poderia ser facilmente ajustado para ser aplicado a outros tipos de câncer e até mesmo outras doenças inteiramente.
“Um modelo como este funcionará sempre que você tiver muitos fatores diferentes que se correlacionem com um resultado específico”, diz Barzilay. “Esperemos que possamos nos permitir começar a ir além de uma abordagem única para o diagnóstico médico”.