Modelos de aprendizado de máquina baseados em imagens melhoram o diagnóstico de câncer gástrico precoce em comparação com clínicos?
Resposta curta: Sim. Em meta-análise de vinte e um artigos, modelos de aprendizado de máquina mostraram sensibilidade de 0,90 e especificidade de 0,90 no conjunto de validação, superando clínicos não especialistas (sensibilidade 0,64) e especialistas (sensibilidade 0,80). Com auxílio da ferramenta, a sensibilidade dos não especialistas subiu para 0,76.
Resposta
A revisão sistemática e meta-análise reuniu vinte e um artigos que avaliaram o desempenho de modelos de aprendizado de máquina (ML) baseados em imagens para o diagnóstico de câncer gástrico precoce (CGP). A busca abrangeu PubMed, Embase, Cochrane Library e Web of Science até setembro de 2022, com avaliação de risco de viés pelo QUADAS-2 e análise por modelo bivariado de efeitos mistos.
Os resultados agrupados mostraram que os modelos de ML apresentaram, no conjunto de treinamento, sensibilidade de 0,91 (IC 95%: 0,87-0,94), especificidade de 0,85 (IC 95%: 0,81-0,89) e área sob a curva SROC de 0,94 (IC 95%: 0,39-1,00). No conjunto de validação, a sensibilidade foi 0,90 (IC 95%: 0,86-0,93), a especificidade 0,90 (IC 95%: 0,86-0,92) e a SROC 0,96 (IC 95%: 0,19-1,00).
Comparativamente, clínicos não especialistas obtiveram sensibilidade de 0,64 (IC 95%: 0,56-0,71), especificidade de 0,84 (IC 95%: 0,77-0,89) e SROC de 0,80 (IC 95%: 0,29-0,97), enquanto especialistas alcançaram sensibilidade de 0,80 (IC 95%: 0,74-0,85), especificidade de 0,88 (IC 95%: 0,85-0,91) e SROC de 0,91 (IC 95%: 0,37-0,99).
Com o auxílio de modelos de ML, a sensibilidade dos médicos não especialistas no diagnóstico de CGP aumentou significativamente de 0,64 para 0,76. Os autores concluem que os modelos baseados em ML têm melhor desempenho na identificação de CGP e podem elevar a acurácia de clínicos menos experientes ao nível dos especialistas, sugerindo amplo valor clínico na endoscopia.
O que o estudo mostrou
Revisão sistemática e meta-análise de vinte e um artigos sobre modelos de aprendizado de máquina baseados em imagens para diagnóstico de câncer gástrico precoce. No conjunto de validação, sensibilidade de 0,90 (IC 95%: 0,86-0,93), especificidade de 0,90 (IC 95%: 0,86-0,92) e SROC de 0,96 (IC 95%: 0,19-1,00). Clínicos não especialistas tiveram sensibilidade de 0,64 e especialistas de 0,80. Com auxílio de ML, a sensibilidade dos não especialistas subiu para 0,76.
Limitações
O resumo não informa detalhes sobre a população dos estudos, os tipos de imagem ou os algoritmos utilizados, nem sobre a heterogeneidade entre os artigos. Os intervalos de confiança da SROC são amplos, e o resumo não permite concluir sobre a aplicabilidade em diferentes contextos clínicos ou sobre o risco de viés individual dos estudos incluídos.
Aplicação no consultório
Os achados sugerem que ferramentas de ML podem apoiar o diagnóstico endoscópico de câncer gástrico precoce, especialmente para clínicos com menos experiência, elevando sua sensibilidade. Na prática, isso pode orientar a incorporação de sistemas de apoio à decisão em serviços de endoscopia e a capacitação de equipes. Para a gestão do consultório, é importante considerar a validação local dessas ferramentas e a integração com o fluxo de atendimento, sem substituir o julgamento clínico.
Estudo citado
The value of machine learning approaches in the diagnosis of early gastric cancer: a systematic review and meta-analysis. World journal of surgical oncology, 2024.
Autores: Shi Y, Fan H, Li L, Hou Y, Qian F, Zhuang M, Miao B, Fei S.
DOI: 10.1186/s12957-024-03321-9 · PubMed: PMID 38297303
Perguntas para aprofundar
- Qual é o desempenho diagnóstico de modelos de aprendizado de máquina na identificação de câncer gástrico precoce em comparação com endoscopistas experientes?
- Como o auxílio de inteligência artificial pode melhorar a acurácia de médicos não especialistas no diagnóstico endoscópico de câncer gástrico precoce?
- Quais são as limitações metodológicas das meta-análises sobre aprendizado de máquina no diagnóstico de câncer gástrico precoce?
Mais sobre IA em oncologia
- Qual é a acurácia da inteligência artificial no diagnóstico endoscópico do câncer gástrico precoce?
- Qual é a acurácia do aprendizado de máquina na identificação de câncer de próstata clinicamente significativo em ressonância magnética?
- Modelos de radiômica e aprendizado de máquina aplicados à RM pré-tratamento são eficazes para prever sobrevida em glioblastoma?
- Modelos de aprendizado de máquina baseados em radiômica são úteis para prever metástase peritoneal no câncer de ovário?
- Modelos baseados em aprendizado de máquina são úteis para prever desfechos radiológicos de schwannoma vestibular após radiocirurgia estereotáxica?
Todas as perguntas sobre IA em oncologia · Todos os temas · Versão em markdown