Inteligência Artificial: ferramentas para prever o cancro


Para diagnosticar o cancro mais cedo, temos de prever quem o vai conseguir no futuro. A natureza complexa do risco de predição tem sido reforçada por ferramentas de inteligência artificial (IA), mas a adoção de IA na medicina tem sido limitada pelo fraco desempenho em novas populações de doentes e pela negligência das minorias raciais.


Há dois anos, uma equipa de cientistas do Laboratório de Informática e Inteligência Artificial (CSAIL) do MIT e da Jameel Clinic demonstrou um sistema de aprendizagem profunda (deep learning) para prever o risco de cancro usando apenas a mamografia de um paciente. O modelo mostrou uma promissora significatividade e até melhoram a inclusividade; foi igualmente preciso para as mulheres brancas e negras, o que é especialmente importante dado que as mulheres negras têm 43% mais probabilidades de morrer de cancro da mama.



Mas para integrar modelos de risco baseados na imagem diagnóstica e torná-los amplamente disponíveis, os investigadores dizem que os modelos precisavam tanto de melhorias algorítmicas como de validação em larga escala em vários hospitais para provar a sua robustez.


Para tal, adaptaram o seu novo algoritmo "Mirai" para capturar os requisitos únicos de modelo de risco. Mirai modela conjuntamente o risco de um paciente em vários pontos de tempo futuros, e pode opcionalmente beneficiar de fatores de risco clínicos, como a idade ou o histórico familiar, se estiverem disponíveis. O algoritmo também é projetado para produzir predições consistentes em diferentes variações menores em ambientes clínicos, como a escolha da máquina de mamografia.

A equipa treinou Mirai no mesmo conjunto de dados de mais de 200.000 exames do Hospital Geral de Massachusetts (HGM) do seu trabalho anterior, e validou-o em conjuntos de testes da HGM, do Instituto Karolinska na Suécia, e do Chang Gung Memorial Hospital em Taiwan. A Mirai está agora instalada na HGM, e os colaboradores da equipa estão a trabalhar ativamente na integração do modelo no cuidado de saúde.

Mirai foi significativamente mais preciso do que os métodos anteriores na predição do risco de cancroe na identificação de grupos de alto risco nos três conjuntos de dados. Ao comparar coortes de alto riscono conjunto de testes de HGM, a equipa descobriu que o seu modelo identificou quase duas vezes mais diagnósticos futuros de cancro em comparação com o padrão clínico atual, o modelo Tyrer-Cuzick. Mirai foi igualmente preciso entre pacientes de diferentes raças, faixas etárias e categorias de densidade mamária no conjunto de testes de HGM, e em diferentes subtipos de cancro no conjunto de testes karolinska.

"Modelos de risco de cancro da mama melhorados permitem estratégias de rastreio direcionadas que atinjam a deteção precoce, e menos danos no rastreio do que as orientações existentes", diz Adam Yala, estudante de doutoramento da CSAIL e principal autor de um artigo sobre Mirai que foi publicado esta semana na Science Translational Medicine. "O nosso objetivo é fazer destes avanços parte do padrão de cuidados. Estamos em parceria com clínicos da Novant Health na Carolina do Norte, Emory na Geórgia, Maccabi em Israel, TecSalud no México, Apollo na Índia e Barretos no Brasil para validar ainda mais o modelo em diversas populações e estudar a melhor forma de implementá-lo clinicamente."





Como funciona?

Apesar da adoção alargada do rastreio do cancro da mama, os investigadores dizem que a prática está repleta de controvérsia: Estratégias de rastreio mais agressivas visam maximizar os benefícios da deteção precoce, enquanto os rastreios menos frequentes visam reduzir falsos positivos, ansiedade e custos para aqueles que nunca irão desenvolver cancro da mama.

As orientações clínicas atuais utilizam modelos de risco para determinar quais os pacientes que devem ser recomendados para a imagem suplementar e a ressonância magnética. Algumas diretrizes usam modelos de risco ajustada a idade para determinar se, e com que frequência, uma mulher deve ser rastreada; outros combinam múltiplos fatores relacionados com a idade, hormonas, genética e densidade mamária para determinar novos testes. Apesar de décadas de esforço, a precisão dos modelos de risco utilizados na prática clínica continua a ser modesta.


Recentemente, modelos de risco baseados em mamografia de aprendizagem profunda mostraram um desempenho promissor. Para levar esta tecnologia à clínica, a equipa identificou três inovações que acreditam serem fundamentais para a modelação de riscos: o tempo de modelação em conjunto, o uso opcional de fatores de risco não-imagiológicos, e métodos para garantir um desempenho consistente em todos os contextos clínicos.



1. Tempo

Inerente à modelação de risco é aprender com pacientes com diferentes quantidades de acompanhamento, e avaliar o risco em diferentes pontos de tempo: isto pode determinar com que frequência são rastreados, se devem ter imagens suplementares, ou mesmo considerar tratamentos preventivos.

Embora seja possível formar modelos separados para avaliar o risco de cada momento, esta abordagem pode resultar em avaliações de risco que não fazem sentido – como prever que um paciente tem um risco maior de desenvolver cancro dentro de dois anos do que em cinco anos. Para resolver isto, a equipa desenhou o seu modelo para prever o risco em todos os pontos em simultâneo, utilizando uma ferramenta chamada "camada de risco de aditivo".

A camada de risco de aditivo funciona da seguinte forma: A sua rede prevê o risco de um paciente num momento, como cinco anos, como uma extensão do seu risco no momento anterior, como quatro anos. Ao fazê-lo, o seu modelo pode aprender com dados com quantidades variáveis de seguimento e, em seguida, produzir avaliações de risco auto-consistentes.



2. Fatores de risco não-imagiológicos

Embora este método se centre principalmente em mamografias, a equipa também quis usar fatores de risco não-imagem, como a idade e fatores hormonais se estivessem disponíveis – mas não os exigia no momento do teste. Uma abordagem seria adicionar estes fatores como uma entrada para o modelo com a imagem, mas este design impediria a maioria dos hospitais (como Karolinska e HGM), que não têm esta infraestrutura, de usar o modelo.

Para que a Mirai beneficie de fatores de risco sem os exigir, a rede prevê que a informação no momento do treino, e se não estiver lá, pode usar a sua própria versão preditiva. As mamografias são fontes ricas de informação de saúde, e muitos fatores de risco tradicionais, como a idade e o estado da menopausa, podem ser facilmente previstos a partir da sua imagem. Como resultado deste design, o mesmo modelo poderia ser usado por qualquer clínica globalmente, e se eles têm essa informação adicional, eles podem usá-lo.



3. Desempenho consistente em ambientes clínicos

Para incorporar modelos de risco de aprendizagem profunda em orientações clínicas, os modelos devem ter um desempenho consistente em diferentes ambientes clínicos, e as suas previsões não podem ser afetadas por pequenas variações como a máquina que a mamografia foi assumida. Mesmo em um único hospital, os cientistas descobriram que o treino padrão não produzia previsões consistentes antes e depois de uma mudança nas máquinas de mamografia, uma vez que o algoritmo poderia aprender a confiar em diferentes pistas específicas para o ambiente. Para “desobscru segância” do modelo, a equipa usou um esquema contraditório onde o modelo aprende especificamente representações de mamografias invariantes ao ambiente clínico de origem, para produzir previsões consistentes.

Para testar ainda mais estas atualizações em diferentes contextos clínicos, os cientistas avaliaram Mirai em novos conjuntos de testes de Karolinska na Suécia e do Chang Gung Memorial Hospital em Taiwan, e descobriram que obteve um desempenho consistente. A equipa também analisou o desempenho do modelo através das categorias de raças, idades e densidade mamária no conjunto de testes de HGM, e em todos os subtipos de cancro no conjunto de dados karolinska, e descobriu que foi realizado da mesma forma em todos os subgrupos.

"As mulheres afro-americanas continuam a apresentar cancro da mama em idades mais jovens, e muitas vezes em fases posteriores", diz Salewai Oseni, cirurgião mamário do Hospital Geral de Massachusetts que não esteve envolvido no trabalho. "Isto, juntamente com o maior caso de cancro da mama triplo negativo neste grupo, resultou num aumento da mortalidade por cancro da mama. Este estudo demonstra o desenvolvimento de um modelo de risco cuja previsão tem uma precisão notável em toda a raça. A oportunidade para o seu uso clinicamente é elevada."





Eis como o Mirai trabalha:

1. A imagem de mamografia é colocada através de algo chamado "codificação de imagem".

2. Cada representação de imagem, bem como de que vista veio, é agregada com outras imagens de outras vistas para obter uma representação de toda a mamografia.

3. Com a mamografia, prevê-se que os fatores de risco tradicionais do paciente utilizem um modelo Tyrer-Cuzick (idade, peso, fatores hormonais). Se não estiver disponível, são utilizados valores previstos.

4. Com esta informação, a camada de risco de aditivo prevê o risco de um paciente para cada ano durante os próximos cinco anos.



Adaptação:

Hilaryano Ferreira, MD.

124 views0 comments

Recent Posts

See All

Contact Us

Tel: +351961099955; +351215898575

Email: eurekamedical@icloud.com

Book a Consultation

Subscribe to Our Newsletter

Payment methods 

  • YouTube
  • LinkedIn - White Circle
  • Instagram - White Circle

©2020 Eureka Medical.  All rights reserved. 

  • Black LinkedIn Icon
  • Instagram
Eureka-Medical-Lda.png
0