Exploring learning environments for label\-efficient cancer diagnosis

O câncer continua sendo um dos desafios mais formidáveis da medicina moderna, uma doença que tira inúmeras vidas e impõe um pesado fardo aos sistemas de saúde globais. Um passo crítico no combate a ele é a detecção precoce, onde médicos examinam amostras de tecido sob um microscópio para identificar tumores antes que eles se espalhem. Esse processo, conhecido como histopatologia, depende de especialistas altamente treinados para distinguir entre tecido saudável e crescimentos cancerígenos. No entanto, esse trabalho manual é lento e exaustivo; uma única lâmina pode levar até trinta minutos para ser analisada por um especialista, e a demanda por tal expertise frequentemente supera a oferta. Para acelerar o atendimento, cientistas recorreram aos computadores, ensinando-os a reconhecer padrões de câncer em imagens. Durante anos, esses sistemas de computador exigiram vastas bibliotecas de imagens que haviam sido cuidadosamente rotuladas por especialistas humanos para aprender o que procurar. Reunir essas imagens rotuladas é uma tarefa difícil, cara e demorada, criando um gargalo que limita a rapidez com que essas ferramentas podem ser desenvolvidas e utilizadas.

Um novo estudo realizado por pesquisadores da Universidade Jamia Millia Islamia e da Universidade Chinesa de Hong Kong explora uma maneira de contornar esse gargalo. Eles investigaram se os computadores poderiam aprender a diagnosticar o câncer de forma eficaz sem a necessidade de que cada imagem fosse rotulada por um humano. A equipe testou três métodos diferentes de ensinar esses sistemas de computador. O primeiro método, conhecido como aprendizado supervisionado, é a abordagem tradicional onde o computador aprende apenas a partir de imagens que foram totalmente rotuladas. O segundo método, aprendizado semissupervisionado, permite que o computador aprenda a partir de um pequeno número de imagens rotuladas enquanto também observa um conjunto muito maior de imagens não rotuladas para encontrar padrões. O terceiro método, aprendizado autossupervisionado, tenta ensinar o computador usando apenas imagens não rotuladas, pedindo a ele que descubra suas próprias regras sobre o que torna uma imagem semelhante a outra. Os pesquisadores queriam ver se o segundo e o terceiro métodos poderiam igualar o desempenho da abordagem tradicional, totalmente rotulada, particularmente para três tipos comuns de câncer: mama, pulmão e rim.

Para testar essas ideias, os pesquisadores reuniram três conjuntos distintos de imagens médicas. Um conjunto continha quase 8.000 imagens de tecido mamário, outro tinha mais de 16.000 imagens de tecido pulmonar e o terceiro incluía mais de 7.000 imagens de tecido renal. Essas imagens vieram de diferentes fontes e tinham formatos diferentes, garantindo que os resultados fossem robustos. A equipe então criou sete cenários de treinamento diferentes. No primeiro cenário, utilizaram apenas imagens totalmente rotuladas. Nos cinco cenários seguintes, misturaram imagens rotuladas e não rotuladas em proporções variadas, indo de metade e metade até uma situação em que apenas dez por cento das imagens estavam rotuladas. No cenário final, utilizaram apenas imagens não rotuladas. Eles alimentaram esses diferentes conjuntos de dados em três modelos de computador pré-existentes e poderosos, projetados para reconhecer padrões em imagens. Esses modelos foram então solicitados a classificar cada imagem como benigna, ou seja, inofensiva, ou maligna, ou seja, cancerosa.

Os resultados revelaram uma hierarquia clara na eficácia dos diferentes métodos de aprendizado. Como esperado, o método tradicional usando apenas imagens totalmente rotuladas produziu os resultados mais precisos. No entanto, a abordagem semissupervisionada, que utilizou uma mistura de dados rotulados e não rotulados, aproximou-se notavelmente. Em muitos casos, os modelos de computador treinados com apenas uma pequena fração de dados rotulados tiveram um desempenho quase tão bom quanto aqueles treinados com todos os dados rotulados. Por exemplo, ao diagnosticar o câncer de rim, um modelo treinado com apenas trinta por cento de imagens rotuladas e setenta por cento de imagens não rotuladas alcançou uma precisão de quase 98 por cento, um número muito semelhante ao do modelo treinado com todos os dados rotulados. Mesmo quando a quantidade de dados rotulados foi reduzida para apenas dez por cento, o desempenho permaneceu forte. Isso sugere que o computador pode aprender lições valiosas das imagens não rotuladas, usando-as para entender a estrutura geral do tecido antes de focar nos sinais específicos de câncer.

O terceiro método, o aprendizado autossupervisionado, que dependeu inteiramente de imagens não rotuladas, produziu pontuações de precisão mais baixas do que os outros dois métodos. Embora não tenha igualado o desempenho das abordagens totalmente rotulada ou semissupervisionada, ainda conseguiu identificar padrões de câncer com um certo grau de sucesso, provando que os computadores podem extrair informações úteis mesmo sem qualquer orientação humana. Entre os três modelos de computador testados, um conhecido como EfficientNetB0 superou consistentemente os outros em todos os três tipos de câncer e em todos os métodos de aprendizado. Ele alcançou as taxas de precisão mais altas, atingindo quase 92 por cento para o câncer de mama e mais de 98 por cento para o câncer de rim quando utilizando as melhores condições de treinamento.

O estudo conclui que o requisito estrito para quantidades massivas de dados rotulados pode não ser necessário para um diagnóstico de câncer eficaz. Os pesquisadores descobriram que o aprendizado semissupervisionado oferece uma alternativa altamente viável, permitindo que equipes médicas construam ferramentas de diagnóstico poderosas mesmo quando têm acesso a apenas um número modesto de amostras rotuladas. Esta é uma descoberta significativa porque reduz a barreira de entrada para o desenvolvimento dessas tecnologias. Se um hospital ou laboratório de pesquisa possui milhares de imagens não rotuladas, mas apenas algumas centenas de rotuladas, eles ainda podem treinar um computador para auxiliar no diagnóstico com alta confiabilidade. O trabalho sugere que o futuro da detecção automatizada de câncer não depende exclusivamente da tarefa laboriosa de rotular cada única imagem, mas sim de métodos inteligentes que podem aprender com as vastas quantidades de dados não rotulados já disponíveis nos arquivos médicos.