CaresAI at SMM4H-HeaRD 2026: Predicting TNM Staging

Imagine que você é um detetive tentando resolver um mistério médico complexo. As pistas estão escondidas em relatórios longos, bagunçados e com aparência de manuscritos, escritos por patologistas (médicos que examinam amostras de tecido). Esses relatórios descrevem o câncer de um paciente, mas nem sempre dizem a resposta claramente. Seu trabalho é descobrir três coisas específicas sobre o câncer:

1. T (Tumor): Qual o tamanho do nó principal e quão profundo ele penetrou no tecido próximo?
2. N (Nódulo): O câncer se espalhou para os linfonodos próximos (os postos de controle de segurança do corpo)?
3. M (Metástase): O câncer escapou para outras partes do corpo inteiramente?

Isso é chamado de Estadiamento TNM, e é a "planilha de pontuação" que os médicos usam para decidir como tratar um paciente. A equipe da CaresAI entrou em uma competição (SMM4H-HeaRD 2026) para construir um programa de computador que consiga ler esses relatórios bagunçados e adivinhar automaticamente as pontuações T, N e M.

Aqui está como eles fizeram isso, explicado de forma simples:

1. O Desafio: Ler as "Letras Miúdas"

Os relatórios que eles usaram vieram de um enorme banco de dados chamado TCGA. Pense nesses relatórios como milhares de romances diferentes escritos por autores diferentes. Alguns são curtos, outros são enormes, alguns usam jargão médico sofisticado e outros são vagos.

• O Problema: Os dados eram "desbalanceados". Imagine um saco de bolinhas de gude onde 93% são brancas (sem propagação de câncer) e apenas 7% são pretas (com propagação de câncer). Se você apenas chutasse "branco" o tempo todo, estaria certo na maioria das vezes, mas perderia as bolinhas pretas perigosas. O computador teve que aprender a detectar as pistas raras e perigosas.

2. As Ferramentas: Duas Maneiras Diferentes de "Ler"

A equipe tentou duas formas principais de ensinar o computador a entender o texto:

• Método A: O "Contador de Palavras-Chave" (TF-IDF & LightGBM)
  Pense nisso como um bibliotecário que conta com que frequência palavras específicas aparecem. Se um relatório menciona "metástase" ou "propagação" muitas vezes, o computador sinaliza. Eles usaram um algoritmo inteligente chamado LightGBM (que é como uma árvore de decisão super rápida e organizada) para observar essas contagens de palavras.

  • Resultado: Este foi o campeão. Foi muito bom em detectar os padrões no texto, quase como um detetive experiente que sabe exatamente quais palavras procurar.

• Método B: O "Pensador Profundo" (Modelos BERT & Redes Neurais)
  Esta abordagem utilizou modelos de IA avançados (ClinicalBERT, BioBERT) que já leram milhões de livros médicos. Em vez de apenas contar palavras, esses modelos tentam entender o significado e o contexto das frases. Eles então alimentaram essa "compreensão" em uma Rede Residual Larga (WRN), que é um tipo de rede de computador semelhante ao cérebro, projetada para detectar padrões complexos.

  • Resultado: Este foi um pouco mais instável, entre o acerto e o erro. Embora entendesse bem a "vibe" do texto, às vezes se confundia com os detalhes específicos em comparação ao contador de palavras-chave.

3. Os Resultados: O Quão Bem Eles se Saíram?

A equipe testou seus "detetives" em dois conjuntos diferentes de novos relatórios não vistos anteriormente (Conjunto de Teste 1 e Conjunto de Teste 2).

• A Boa Notícia: No primeiro conjunto de testes, o computador foi incrivelmente preciso. Obteve uma pontuação de 0,978 (de um total de 1,0) para o estágio do Tumor e 0,957 para o estágio do Nódulo. Foi como um detetive que resolveu quase todos os casos perfeitamente.
• A Má Notícia: Quando passaram para o segundo conjunto de testes, as pontuações caíram (para cerca de 0,80).
  • Por quê? O artigo explica que o computador ficou "mimado" pelo primeiro conjunto de dados. Ele aprendeu os padrões específicos dos dados de treinamento muito bem (um problema chamado overfitting ou sobreajuste). Quando via um relatório ligeiramente diferente ou mais longo que o habitual, ele ficava confuso. Além disso, como os casos "perigosos" (como a propagação do câncer) eram tão raros nos dados de treinamento, o computador teve dificuldade em reconhecê-los quando apareciam em relatórios novos e complicados.

4. As Limitações: Por Que Não Está Pronto para o Hospital Ainda?

Os autores são muito honestos sobre o que sua ferramenta não consegue fazer ainda:

• O Problema do "Limite de Páginas": Os modelos de IA que eles usaram só conseguem ler cerca de 512 palavras por vez. Muitos desses relatórios médicos são muito mais longos. É como tentar ler um romance inteiro, mas só ter permissão para ler as primeiras poucas páginas; o computador perde o final e pistas importantes.
• O Problema do "Evento Raro": Como os casos de "propagação de câncer" eram muito raros nos dados de treinamento, o computador ainda é um pouco enviesado. É mais seguro dizer "sem propagação" do que arriscar dizer "com propagação", o que significa que ele pode perder alguns casos reais.
• Não é um Médico: O artigo afirma explicitamente que, embora seja um ótimo "baseline" (ponto de partida), não é confiável o suficiente para ser usado em um hospital real para tomar decisões de vida ou morte ainda. Ele precisa de mais treinamento e de um melhor tratamento de documentos longos.

A Conclusão

A equipe da CaresAI construiu um programa de computador que consegue ler relatórios de câncer e adivinhar o estágio da doença com uma precisão impressionante em dados familiares. Eles descobriram que um método simples de "contagem de palavras-chave" (LightGBM) foi, na verdade, melhor do que a IA de "pensamento profundo" para esta tarefa específica.

No entanto, assim como um aluno que tira notas excelentes em um teste de prática, mas tem dificuldades no exame real porque as questões eram um pouco diferentes, esta IA precisa de mais trabalho para lidar com os casos bagunçados, longos e raros encontrados no mundo real antes de poder ser confiada para ajudar médicos. Por enquanto, é uma ferramenta poderosa para pesquisa e um ótimo ponto de partida para melhorias futuras.