Os sistemas de diagnóstico que utilizam inteligência artificial são capazes de classificar rápida e precisamente as lesões cutâneas anormais e oferecem um grande potencial para melhorar a precisão do diagnóstico. Isto também é demonstrado por um novo estudo no qual uma rede neural artificial foi implementada com sucesso para a detecção de carcinomas basocelulares.
A inteligência artificial (IA) está a desempenhar um papel cada vez mais importante na medicina de precisão e pode ajudar a optimizar a utilização dos recursos [1]. No campo do reconhecimento visual de padrões, as aplicações de IA são muito avançadas, o que é uma área de aplicação interessante para a dermatologia e especialmente para o rastreio do cancro da pele. O carcinoma basocelular (BCC, Fig. 1) representa cerca de 65% de todos os casos de cancro de pele branca na Europa Central, sendo assim o tumor de pele mais frequente em doentes imunocompetentes [2]. BCC é referido na literatura como maligno ou semimaligno. A maioria dos casos são não-metastáticos mas localmente infiltrantes e destrutivos tumores de pele. Na Reunião Anual da ADF de 2021, foi apresentado um estudo de prova de conceito que mostra como a Aprendizagem Profunda pode ser utilizada para a análise da imagem médica no rastreio do cancro da pele [3,4]. Foi implementada uma rede neural artificial que, com base em imagens histológicas digitalizadas, gerou uma previsão de elevada especificidade e sensibilidade quanto a se as preparações de pele continham ou não alterações cancerosas. Os resultados do estudo foram publicados na revista Modern Pathology 2021 [4].
Análise de imagem médica usando a aprendizagem profunda
A avaliação histológica das biópsias de pele faz parte da rotina diária em dermatologia e é uma área de aplicação bem adequada para a pré-triagem automatizada assistida por IA, com o objectivo de identificar alterações cancerosas e classificação rápida de tumores. O princípio básico das aplicações de aprendizagem profunda no campo da análise de imagem médica é que uma rede neural artificial, que utiliza algoritmos e modelos estatísticos complexos para seleccionar as combinações de características com o melhor significado diagnóstico, é treinada com uma grande quantidade de dados de imagem e as classificações correctas e melhora continuamente a sua capacidade de distinguir entre as diferentes expressões de características [5]. Cada “neurónio” de uma rede neural representa uma operação matemática. Com este método, os diapositivos digitalizados podem ser examinados quanto a características patológicas através da análise automatizada de imagens. No estudo de Kimeswenger et al. [3,4], a rede neural artificial foi treinada para reconhecer tumores usando lâminas totalmente digitalizadas de preparações de tumores BCC (n=820 lâminas) (visão geral 1) .
Elevada precisão diagnóstica e especificidade
A rede neural mostrou ser capaz de identificar regiões tumorais BCC em imagens de cortes histológicos com alta precisão (AUC 0,993, 95% CI: 0,990-0,995; sensibilidade: 0,965, 95% CI: 0,951-0,979; especificidade: 0,910, 95% CI: 0,859-0,960). O cálculo automático de uma matriz ponderada formou a base para a previsão de regiões relevantes para os tumores das imagens histológicas. Os investigadores também descobriram que os algoritmos de aprendizagem da máquina se baseavam em padrões de identificação de tumores significativamente diferentes em comparação com os especialistas em patologia. Isto foi demonstrado por uma comparação das “regiões de interesse” (ROI) utilizadas pela rede neural, ou seja, as regiões de imagem classificadas como relevantes para encontrar tumores, com o ROI dos peritos em patologia, que tinha sido recolhido através de rastreio ocular (visão geral 2) .
Em resumo, este estudo demonstrou que uma rede neural artificial pode ser eficientemente utilizada para detectar carcinomas celulares basais com base em imagens digitalizadas de preparações histológicas em fatias. É mais uma confirmação de que os métodos de aprendizagem de máquinas têm o potencial de aumentar a precisão diagnóstica no campo da patologia digital e de descobrir padrões de classificação anteriormente desconhecidos. Para além do diagnóstico de lesões cutâneas não melanocitárias, as aplicações de IA também podem ser usadas para a detecção de melanomas malignos (caixa).
Congresso: Grupo de Trabalho sobre Investigação Dermatológica 2021
Literatura:
- Schaaf N: Neural Networks: A Look into the Black Box, 14 de Janeiro de 2020, www.informatik-aktuell.de, (último acesso 14.05.2021)
- Teske S, Beise U: Hauttumoren, Última actualização: 02/2021, www.medix.ch (último acesso 14.05.2021).
- Kimeswenger S, et al.: As redes neurais artificiais e patologistas reconhecem carcinomas celulares basais baseados em diferentes padrões histológicos. P063, Translational Research ADF Dermatology Awards, Reunião Anual da ADF 6.3.2021
- Kimeswenger S, et al: Mod Pathol 2021; 34 : 895-903.
- Jutzi TB, Brinker TJ: Dtsch Arztebl 2020; 117(24).
- Centro Alemão de Investigação sobre o Cancro, www.dkfz.de/de/digitale-biomarker (acedido pela última vez em 14.05.2021)
- Cerci, FB, et al: An Bras Dermatol [online] 2020; 95 (5): 594-601.
DERMATOLOGIE PRAXIS 2021; 31(3): 32-33 (publicado 1.6.21, antes da impressão).
