Modelos de inteligência artificial (IA), pré-treinados em vastos conjuntos de dados, superaram significativamente um modelo padrão na identificação de cânceres de pele não melanoma (CPNM), a partir de imagens digitais de amostras de tecido. “Nossos resultados demonstram que modelos de aprendizado de máquina têm o potencial de auxiliar no diagnóstico de CPNM, o que pode ser particularmente importante em ambientes com recursos limitados”, disse Steven Song (foto), que apresentou o estudo na Reunião Anual da Associação Americana para Pesquisa do Câncer (AACR), realizada em Chicago, de 25 a 30 de abril.
Lesões de pele suspeitas de CPNM são normalmente ressecadas, finamente fatiadas e montadas em uma lâmina para posterior avaliação de um patologista especialista. "Em ambientes com recursos limitados, no entanto, a falta de patologistas especialistas limita a capacidade de fornecer revisão e diagnóstico oportunos e abrangentes de CPNM", disse Song, candidato a MD/PhD no Programa de Treinamento de Cientistas Médicos da Escola de Medicina Pritzker e do Departamento de Ciência da Computação da Universidade de Chicago.
Song e colegas argumentam que modelos de aprendizado de máquina previamente treinados em grandes quantidades de dados (frequentemente chamados de “modelos de base”) em ambientes ricos em recursos podem ser ferramentas eficazes “prontas para uso” para orientar o diagnóstico de CPNM. Isso poderia permitir o uso do aprendizado de máquina em ambientes com acesso limitado a grandes conjuntos de dados ou a equipamentos ou especialistas especializados.
Neste estudo, os pesquisadores testaram a precisão de três modelos de base contemporâneos — PRISM, UNI e Prov-GigaPath — na identificação de CPNM a partir de imagens digitais de patologia de lesões cutâneas suspeitas de câncer. Todos os três modelos básicos funcionam convertendo uma imagem digital de alta resolução de uma lâmina de patologia tecidual em pequenos blocos de imagem, extraindo características significativas dos blocos e analisando essas características para calcular a probabilidade de o tecido conter CPNM.
A precisão dos modelos no diagnóstico de CPNM foi avaliada em 2.130 imagens de lâminas de tecido, representando 553 amostras de biópsia de indivíduos de Bangladesh inscritos no Estudo de Vitamina E e Selênio de Bangladesh.
Altos níveis de exposição ao arsênio por meio de água potável contaminada aumentam o risco de CPNM nessa população, fornecendo um contexto real relevante para o estudo, disse Song. Das 2.130 imagens totais, 706 eram de tecido normal e 1.424 eram de CPNM confirmado (638 casos de doença de Bowen, 575 casos de carcinoma basocelular e 211 casos de carcinoma espinocelular invasivo).
A precisão dos três modelos de base foi comparada com a do ResNet18, uma arquitetura estabelecida, porém mais antiga, para reconhecimento de imagens. "As arquiteturas ResNet têm sido usadas como ponto de partida para o treinamento de modelos por quase uma década e servem como comparação de linha de base para avaliar os ganhos de desempenho de modelos de base pré-treinados mais recentes", observou Song.
Cada um dos três modelos de base mais recentes superou significativamente o ResNet18 — distinguindo corretamente entre CPNM e tecido normal em 92,5% (PRISM), 91,3% (UNI) e 90,8% (Prov-GigaPath) dos casos, em comparação com a precisão de 80,5% para o ResNet18, representando melhoria substancial no desempenho.
Para tornar os modelos de base mais adequados para uso em ambientes com recursos limitados, Song e colegas desenvolveram e testaram versões simplificadas. Os modelos simplificados, que exigem análise menos extensa dos dados de imagens patológicas, ainda superaram significativamente o ResNet18, com precisões de 88,2% (PRISM), 86,5% (UNI) e 85,5% (Prov-GigaPath), demonstrando robustez mesmo com complexidade reduzida.
Além disso, Song e colegas desenvolveram e aplicaram uma estrutura de anotação projetada para destacar regiões cancerígenas em lâminas de tecido identificadas por esses modelos básicos. A estrutura não requer treinamento em grandes conjuntos de dados e, em vez disso, utiliza imagens de exemplo de tecido cancerígeno de um pequeno número de biópsias. Em seguida, compara blocos de imagens patológicas com esses exemplos para identificar e anotar regiões cancerígenas. Song explicou que a anotação pode ajudar a direcionar a atenção do usuário para regiões de interesse em cada lâmina.
“No geral, nossos resultados demonstram que modelos de aprendizado de máquina pré-treinados têm o potencial de auxiliar no diagnóstico de CPNM, o que pode ser particularmente benéfico em ambientes com recursos limitados”, disse Song. “Nosso estudo também fornece insights que podem impulsionar o desenvolvimento e a adaptação de modelos básicos para várias aplicações clínicas”, destacou.
Uma limitação do estudo é que os modelos foram avaliados em uma única coorte de pacientes de Bangladesh, o que pode limitar a generalização desses achados para outras populações. Outra limitação é que, embora o estudo tenha abordado suas análises sob a perspectiva de cenários com recursos limitados, ele não examinou os detalhes práticos da implantação dos modelos de aprendizado de máquina pré-treinados nesses cenários.
“Embora nosso estudo sugira modelos de base como ferramentas eficientes em termos de recursos para auxiliar no diagnóstico de CPNM, reconhecemos que ainda estamos longe de ter um impacto direto no atendimento ao paciente e que mais trabalho é necessário para abordar considerações práticas, como a disponibilidade de infraestrutura de patologia digital, conectividade com a internet, integração em fluxos de trabalho clínicos e treinamento de usuários”, observou Song.
O estudo foi apoiado pelo National Institutes of Health.
Referência:
Session Type: Minisymposium
Session Title: Artificial Intelligence and Machine Learning for Basic and Translational Research Location: Room S103 - McCormick Place South (Level 1)
Session Time: Sunday, April 27, 2025, 3:00 pm - 5:00 pm
Presentation Number: 1141
Publishing Title: Improved diagnosis of non-melanoma skin cancer in resource-limited settings
