O melanoma é um tipo de tumor maligno responsável por mais de 70% de todas as mortes relacionadas ao câncer de pele em todo o mundo. Durante anos, os médicos confiaram na inspeção visual para identificar lesões pigmentadas suspeitas (SPLs), que podem ser uma indicação de câncer de pele. Essa identificação em estágio inicial de SPLs em ambientes de cuidados primários pode melhorar o prognóstico do melanoma e reduzir significativamente o custo do tratamento.
O desafio é que encontrar e priorizar SPLs rapidamente é difícil, devido ao grande volume de lesões pigmentadas que muitas vezes precisam ser avaliadas para biópsias potenciais. Agora, pesquisadores do MIT e de outros lugares desenvolveram um novo canal de inteligência artificial, usando redes neurais convolucionais profundas (DCNNs) e aplicando-as para analisar SPLs por meio do uso de fotografia de campo amplo comum na maioria dos smartphones e câmeras pessoais.
DCNNs são redes neurais que podem ser usadas para classificar (ou “nomear”) imagens para agrupá-las (por exemplo, ao realizar uma pesquisa de fotos). Esses algoritmos de aprendizado de máquina pertencem ao subconjunto de aprendizado profundo.
Usando câmeras para tirar fotos de campo amplo de grandes áreas do corpo dos pacientes, o programa usa DCNNs para identificar e rastrear de forma rápida e eficaz o melanoma em estágio inicial, de acordo com Luis R. Soenksen, pós-doutorado e especialista em dispositivos médicos que atualmente atua como O primeiro Venture Builder do MIT em Inteligência Artificial e Saúde. Soenksen conduziu a pesquisa com pesquisadores do MIT, incluindo os membros do corpo docente do MIT Institute for Medical Engineering and Science (IMES), Martha J. Gray, W. Kieckhefer Professora de Ciências e Tecnologia da Saúde, professora de engenharia elétrica e ciência da computação; e James J. Collins, Termeer Professor de Engenharia Médica e Ciência e Engenharia Biológica.
Soenksen, que é o primeiro autor do artigo recente, “Using Deep Learning for Dermatologist-level Detection of Suspicious Pigmented Skin Lesions from Wide-field Images”, publicado na Science Translational Medicine, explica que “a detecção precoce de SPLs pode salvar vidas; no entanto, ainda falta a capacidade atual dos sistemas médicos de fornecer exames de pele abrangentes em grande escala. ”
O artigo descreve o desenvolvimento de um sistema de análise de SPL usando DCNNs para identificar de forma mais rápida e eficiente as lesões de pele que requerem mais investigação, exames que podem ser feitos durante as visitas de rotina de cuidados primários ou mesmo pelos próprios pacientes. O sistema utilizou DCNNs para otimizar a identificação e classificação de SPLs em imagens de campo amplo.
Usando IA, os pesquisadores treinaram o sistema usando 20.388 imagens de campo amplo de 133 pacientes do Hospital Gregorio Marañón em Madrid, bem como imagens disponíveis ao público. As imagens foram tiradas com uma variedade de câmeras comuns que estão prontamente disponíveis para os consumidores. Os dermatologistas que trabalharam com os pesquisadores classificaram visualmente as lesões nas imagens para comparação. Eles descobriram que o sistema alcançou mais de 90,3 por cento de sensibilidade ao distinguir SPLs de lesões não suspeitas, pele e fundos complexos, evitando a necessidade de imagens de lesões individuais pesadas e demoradas. Além disso, o artigo apresenta um novo método para extrair saliência de lesão intra-paciente (critérios do patinho feio, ou a comparação das lesões na pele de um indivíduo que se destacam do resto) com base nas características de DCNN das lesões detectadas.
“Nossa pesquisa sugere que os sistemas que aproveitam a visão computacional e as redes neurais profundas, quantificando esses sinais comuns, podem alcançar uma precisão comparável aos dermatologistas especialistas”, explica Soenksen. “Esperamos que nossa pesquisa revitalize o desejo de oferecer exames dermatológicos mais eficientes em ambientes de cuidados primários para conduzir encaminhamentos adequados.”
Isso permitiria avaliações mais rápidas e precisas de SPLS e poderia levar a um tratamento precoce do melanoma, de acordo com os pesquisadores.
Gray, que é o autor sênior do artigo, explica como este importante projeto se desenvolveu: “Este trabalho se originou como um novo projeto desenvolvido por bolsistas (cinco dos co-autores) no programa MIT Catalyst, um programa projetado para nuclear projetos que resolvem necessidades clínicas urgentes. Este trabalho exemplifica a visão do devoto HST / IMES (na qual a tradição Catalyst foi fundada) de alavancar a ciência para o avanço da saúde humana. ” Este trabalho foi apoiado pela Clínica Abdul Latif Jameel de Aprendizado de Máquina em Saúde e pela Consejería de Educación, Juventud e Deportes de la Comunidad de Madrid, por meio do Consórcio Madrid-MIT M + Visión.
Publicado em 09/04/2021 13h28
Artigo original:
Estudo original: