Radiologistas assistidos por deep learning alcançam acurácia na diferenciação benigno-maligno de tumores musculoesqueléticos comparável à de biópsias pré-cirúrgicas?
Resposta curta: Sim. Um estudo mostrou que radiologistas com assistência de deep learning atingiram acurácia diagnóstica de 0,84 a 0,90 na diferenciação benigno-maligno de tumores musculoesqueléticos, comparável à acurácia de biópsias pré-cirúrgicas relatadas na literatura (0,77 para PAAF e 0,86 para biópsia por agulha grossa).
Resposta
A diferenciação entre tumores musculoesqueléticos benignos e malignos é crucial para o planejamento terapêutico. A biópsia pré-cirúrgica é o padrão, mas métodos de imagem podem auxiliar. Este estudo avaliou se radiologistas assistidos por algoritmos de deep learning (DL) alcançam acurácia diagnóstica comparável à de biópsias pré-cirúrgicas.
Foi realizada uma revisão sistemática com meta-análise para estimar a acurácia global da punção aspirativa por agulha fina (PAAF) e da biópsia por agulha grossa (CNB) na diferenciação benigno-maligno de tumores musculoesqueléticos. Para PAAF, a meta-análise incluiu 4604 amostras e acurácia de 0,77. Para CNB, sete artigos com 587 amostras forneceram acurácia de 0,86.
Paralelamente, quatro radiologistas com diferentes tempos de experiência (2, 6, 7 e 33 anos) interpretaram ressonâncias magnéticas musculoesqueléticas de um conjunto de dados próprio (n=62), com e sem auxílio de um algoritmo DL previamente desenvolvido. O padrão-ouro foi confirmação histopatológica ou seguimento clínico/radiológico.
Com a assistência do DL, as acurácias diagnósticas dos radiologistas foram 0,84, 0,89, 0,87 e 0,90, respectivamente. Esses valores são comparáveis às acurácias das biópsias pré-cirúrgicas descritas na literatura. Os autores concluem que o uso de DL em ressonância magnética dinâmica com contraste melhorou a acurácia dos radiologistas.
O estudo sugere que algoritmos de DL têm potencial para reduzir o risco de erro diagnóstico de malignidade na prática radiológica, podendo auxiliar na diferenciação não invasiva de tumores musculoesqueléticos.
O que o estudo mostrou
O estudo combinou uma revisão sistemática com meta-análise para estimar a acurácia da PAAF e da CNB na diferenciação benigno-maligno de tumores musculoesqueléticos, e um teste diagnóstico com quatro radiologistas assistidos por deep learning em um conjunto de dados próprio de 62 casos. A acurácia da PAAF foi 0,77 (4604 amostras) e da CNB foi 0,86 (587 amostras). Com auxílio do DL, as acurácias dos radiologistas variaram de 0,84 a 0,90, comparáveis às das biópsias.
Limitações
O resumo não informa detalhes sobre as limitações do estudo, como possíveis vieses de seleção, tamanho amostral reduzido do conjunto interno (n=62) ou características dos algoritmos de DL. Também não são descritas a população de pacientes ou as limitações da meta-análise. Portanto, as conclusões devem ser interpretadas com cautela.
Aplicação no consultório
Para o médico que atua no diagnóstico de tumores musculoesqueléticos, o estudo indica que a assistência por deep learning pode aumentar a acurácia da diferenciação benigno-maligno em ressonância magnética, aproximando-a da biópsia. Isso pode influenciar a decisão sobre encaminhamento para biópsia e o planejamento cirúrgico. No entanto, a implementação requer validação local e integração com o fluxo de trabalho radiológico.
Estudo citado
Radiologists with assistance of deep learning can achieve overall accuracy of benign-malignant differentiation of musculoskeletal tumors comparable with that of pre-surgical biopsies in the literature. International journal of computer assisted radiology and surgery, 2023.
Autores: Zhao K, Zhu X, Zhang M, Xie Z, Yan X, Wu S, Liao P, Lu H, Shen W, Fu C, Cui H, He C, Fang Q, Mei J.
DOI: 10.1007/s11548-023-02838-w · PubMed: PMID 36653517
Perguntas para aprofundar
- Qual é a acurácia da ressonância magnética com contraste dinâmico assistida por deep learning na diferenciação de tumores musculoesqueléticos?
- Como a assistência de deep learning pode modificar a indicação de biópsia pré-cirúrgica em tumores musculoesqueléticos?
- Quais são as limitações e os desafios para implementar algoritmos de deep learning na prática radiológica diária?
Mais sobre IA em patologia digital
- Algoritmos de deep learning baseados em MRI são superiores a radiologistas na detecção de metástase linfonodal no câncer colorretal?
- Modelos de machine learning aplicados à ressonância magnética conseguem prever a resposta patológica à quimioterapia neoadjuvante no câncer de mama?
- Modelos de radiômica baseados em TC ou RM pré-operatórias são confiáveis para prever o grau histopatológico do carcinoma hepatocelular?
- Modelos de machine learning aplicados à RM pré-operatória conseguem prever marcadores moleculares em glioma com boa acurácia diagnóstica?
- Modelos de inteligência artificial são eficazes para detectar e prever o potencial maligno de lesões orais?
Todas as perguntas sobre IA em patologia digital · Todos os temas · Versão em markdown