IA em patologia digital

Como as redes neurais convolucionais se comparam aos médicos na classificação de câncer de pele em estudos com especialistas humanos?

Resposta

A revisão sistemática reuniu estudos publicados entre 2017 e 2021 que compararam diretamente o desempenho de modelos de inteligência artificial para classificação de câncer de pele com o de médicos. Foram incluídos apenas trabalhos cujo objetivo principal fosse a classificação diagnóstica e que trouxessem essa comparação direta com clínicos, resultando em 19 estudos de leitura.

Desses 19 estudos, 11 abordagens com redes neurais convolucionais trataram da classificação de imagens dermatoscópicas, 6 focaram a classificação de imagens clínicas e 2 estudos dermatopatológicos utilizaram imagens digitalizadas de lâminas histopatológicas de corpo inteiro. Em todos os 19 estudos incluídos, os classificadores com redes neurais convolucionais apresentaram desempenho superior ou ao menos equivalente ao dos médicos.

Apesar desse resultado consistente, os autores destacam que quase todos os estudos foram conduzidos em cenários altamente artificiais, baseados exclusivamente em imagens isoladas das lesões suspeitas. Além disso, os conjuntos de teste eram compostos principalmente por imagens de holdout e não representavam toda a gama de populações de pacientes e de subtipos de melanoma encontrados na prática clínica.

A avaliação também considerou três aspectos principais: características do conjunto de teste (dados de holdout ou fora de distribuição e composição), cenário do teste (experimental ou clínico, com ou sem inclusão de metadados) e representatividade dos clínicos participantes. Esses elementos são centrais para julgar a potencial relevância clínica dos achados.

Para o médico, a mensagem é que a tecnologia mostra desempenho promissor em comparação com especialistas, mas a transposição para a prática ainda depende de estudos em cenários mais realistas, com conjuntos de dados representativos e inclusão de informações clínicas além da imagem isolada.

O que o estudo mostrou

Trata-se de uma revisão sistemática que buscou estudos publicados entre 2017 e 2021 sobre classificação de câncer de pele por inteligência artificial envolvendo melanoma, com comparação direta entre resultados da inteligência artificial e de clínicos. Foram incluídos 19 estudos de leitura: 11 com redes neurais convolucionais em imagens dermatoscópicas, 6 em imagens clínicas e 2 em imagens histopatológicas digitalizadas de lâminas de corpo inteiro. Todos os 19 estudos demonstraram desempenho superior ou ao menos equivalente dos classificadores em relação aos clínicos.

Limitações

O resumo informa que quase todos os estudos foram conduzidos em cenários altamente artificiais, baseados exclusivamente em imagens isoladas das lesões suspeitas. Os conjuntos de teste eram principalmente de holdout e não representavam a gama completa de populações de pacientes e subtipos de melanoma da prática clínica. O resumo não detalha tamanho de amostra nem limitações metodológicas adicionais dos estudos incluídos.

Aplicação no consultório

Os achados apoiam o interesse em ferramentas de apoio diagnóstico baseadas em imagens, mas não justificam substituir a avaliação clínica. Na gestão do consultório, o médico deve considerar que os estudos disponíveis usam imagens isoladas e cenários artificiais, o que limita prever o desempenho em pacientes reais com diferentes subtipos de melanoma. Investir em documentação fotográfica padronizada e acompanhar a evolução das evidências é prudente antes de incorporar tais sistemas à rotina.

Estudo citado

Skin cancer classification via convolutional neural networks: systematic review of studies involving human experts. European journal of cancer (Oxford, England : 1990), 2021.
Autores: Haggenmüller S, Maron RC, Hekler A, Utikal JS, Barata C, Barnhill RL, Beltraminelli H, Berking C, Betz-Stablein B, Blum A, Braun SA, Carr R, Combalia M, Fernandez-Figueras MT, Ferrara G, Fraitag S, French LE, Gellrich FF, Ghoreschi K, Goebeler M, Guitera P, Haenssle HA, Haferkamp S, Heinzerling L, Heppt MV, Hilke FJ, Hobelsberger S, Krahl D, Kutzner H, Lallas A, Liopyris K, Llamas-Velasco M, Malvehy J, Meier F, Müller CSL, Navarini AA, Navarrete-Dechent C, Perasole A, Poch G, Podlipnik S, Requena L, Rotemberg VM, Saggini A, Sangueza OP, Santonja C, Schadendorf D, Schilling B, Schlaak M, Schlager JG, Sergon M, Sondermann W, Soyer HP, Starz H, Stolz W, Vale E, Weyers W, Zink A, Krieghoff-Henning E, Kather JN, von Kalle C, Lipka DB, Fröhling S, Hauschild A, Kittler H, Brinker TJ.
DOI: 10.1016/j.ejca.2021.06.049 · PubMed: PMID 34509059

Perguntas para aprofundar

• Quais características dos conjuntos de teste limitam a aplicação clínica dos classificadores de câncer de pele por redes neurais convolucionais?
• Como a inclusão de metadados clínicos pode influenciar o desempenho da inteligência artificial na classificação de melanoma?
• O que diferencia os estudos com imagens dermatoscópicas, clínicas e histopatológicas na comparação entre inteligência artificial e médicos?

Mais sobre IA em patologia digital

• Algoritmos de aprendizado profundo são tão precisos quanto dermatologistas no diagnóstico de melanoma por imagens dermatoscópicas?
• Como as novas técnicas de imagem óptica se comparam à dermatoscopia no diagnóstico do melanoma?
• A inteligência artificial e a whole slide imaging podem auxiliar no diagnóstico citológico de tireoide indeterminado (AUS/FLUS)?
• A detecção automatizada de câncer de pele não melanoma por imagens digitais tem evidência suficiente para uso clínico?
• Modelos multimodais explicáveis podem apoiar o diagnóstico do carcinoma de mama na prática clínica?

Todas as perguntas sobre IA em patologia digital · Todos os temas · Versão em markdown