O modelo de aprendizagem profunda baseado em imagens do MIT / MGH pode prever o câncer de mama com até cinco anos de antecedência.
Apesar dos grandes avanços em genética e imagens modernas, o diagnóstico surpreende a maioria dos pacientes com câncer de mama. Para alguns, chega tarde demais. Diagnósticos posteriores significam tratamentos agressivos, resultados incertos e mais despesas médicas. Como resultado, a identificação de pacientes tem sido um pilar central da pesquisa do câncer de mama e da detecção precoce eficaz.
Com isso em mente, uma equipe do Laboratório de Inteligência Artificial e Ciência da Computação (CSAIL) do MIT e do Hospital Geral de Massachusetts (MGH) criou um novo modelo de aprendizagem profunda que pode prever a partir de uma mamografia se um paciente desenvolver câncer de mama como cinco anos no futuro. Treinado em mamografias e resultados conhecidos de mais de 60.000 pacientes com MGH, o modelo aprendeu os padrões sutis no tecido mamário que são precursores de tumores malignos.
A professora Regina Barzilay, uma sobrevivente do câncer de mama, diz que a esperança é que sistemas como esses permitam que os médicos personalizem os programas de rastreamento e prevenção em nível individual, tornando o diagnóstico tardio uma relíquia do passado.
Embora a mamografia tenha mostrado reduzir a mortalidade por câncer de mama , há um debate contínuo sobre a frequência com que fazer a triagem e quando começar. Embora a American Cancer Society recomende a triagem anual a partir dos 45 anos, a US Preventative Task Force recomenda a triagem a cada dois anos, a partir dos 50 anos.
“Em vez de adotar uma abordagem única, podemos personalizar a triagem em torno do risco de uma mulher desenvolver câncer”, diz Barzilay, autor sênior de um novo estudo sobre o projeto hoje em dia em Radiologia . “Por exemplo, um médico pode recomendar que um grupo de mulheres faça uma mamografia a cada dois anos, enquanto outro grupo de alto risco pode fazer uma ressonância magnética suplementar”. Barzilay é professor da Delta Electronics no CSAIL e no Departamento de Engenharia Elétrica e Ciência da Computação. no MIT e membro do Instituto Koch para Pesquisa Integrativa sobre o Câncer no MIT.
O modelo da equipe foi significativamente melhor na previsão de risco do que as abordagens existentes: ela posicionou com precisão 31% de todos os pacientes com câncer em sua categoria de maior risco, em comparação com apenas 18% dos modelos tradicionais.
A professora de Harvard, Constance Lehman, afirma que anteriormente havia um apoio mínimo na comunidade médica para estratégias de rastreamento baseadas em risco e não baseadas em idade.
“Isso ocorre porque antes não tínhamos ferramentas de avaliação de risco precisas que funcionassem para mulheres individuais”, diz Lehman, professor de radiologia da Harvard Medical School e chefe de divisão de imagens de mama do MGH. “Nosso trabalho é o primeiro a mostrar que é possível.”
Barzilay e Lehman co-escreveram o artigo com o autor Adam Yala, um estudante de doutorado da CSAIL. Outros co-autores do MIT incluem o estudante de doutorado Tal Schuster e o ex-aluno de mestrado Tally Portnoi.
Como funciona
Desde o primeiro modelo de risco de câncer de mama de 1989, o desenvolvimento tem sido impulsionado pelo conhecimento humano e pela intuição dos principais fatores de risco, como idade, história familiar de câncer de mama e ovário, fatores hormonais e reprodutivos e densidade mamária.
No entanto, a maioria desses marcadores é apenas fracamente correlacionada com o câncer de mama. Como resultado, esses modelos ainda não são muito precisos no nível individual, e muitas organizações continuam a sentir que os programas de rastreamento com base no risco não são possíveis, dadas essas limitações.
Em vez de identificar manualmente os padrões em uma mamografia que conduzem o câncer futuro, a equipe do MIT / MGH treinou um modelo de aprendizagem profunda para deduzir os padrões diretamente dos dados. Usando informações de mais de 90.000 mamografias, o modelo detectou padrões muito sutis para o olho humano detectar.
“Desde os anos 1960, os radiologistas notaram que as mulheres têm padrões únicos e amplamente variáveis de tecido mamário visíveis na mamografia”, diz Lehman. “Esses padrões podem representar a influência da genética, hormônios, gravidez, lactação, dieta, perda de peso e ganho de peso. Agora podemos alavancar essas informações detalhadas para ser mais preciso em nossa avaliação de risco no nível individual ”.
Tornar a detecção do câncer mais equitativa
O projeto também visa tornar a avaliação de risco mais precisa para as minorias raciais, em particular. Muitos modelos iniciais foram desenvolvidos em populações brancas e eram muito menos precisos para outras raças. O modelo MIT / MGH, por sua vez, é igualmente preciso para mulheres brancas e negras. Isto é especialmente importante, dado que as mulheres negras demonstraram 42% mais probabilidade de morrer de câncer de mama, devido a uma ampla gama de fatores que podem incluir diferenças na detecção e acesso a cuidados de saúde.
“É particularmente impressionante que o modelo tenha um desempenho tão bom quanto para pessoas brancas e negras, o que não tem sido o caso com ferramentas anteriores”, diz Allison Kurian, professor associado de medicina e pesquisa / política em saúde da Faculdade de Medicina da Universidade de Stanford. “Se validado e disponibilizado para uso generalizado, isso pode realmente melhorar nossas estratégias atuais para estimar o risco.”
Barzilay diz que seu sistema também pode, um dia, permitir que os médicos usem mamogramas para verificar se os pacientes correm maior risco de ter outros problemas de saúde, como doenças cardiovasculares ou outros tipos de câncer. Os pesquisadores estão ansiosos para aplicar os modelos a outras doenças e enfermidades, especialmente àquelas com modelos de risco menos eficazes, como o câncer de pâncreas.
“Nosso objetivo é fazer com que esses avanços façam parte do padrão de atendimento”, diz Yala. “Ao prever quem irá desenvolver o câncer no futuro, podemos salvar vidas e pegar o câncer antes que os sintomas surjam.”
