Deep learning-based computed tomography (CT) derived body composition classifier for colorectal cancer patients
Este estudo demonstra que modelos de aprendizado profundo otimizados, particularmente o GoogLeNet e o AlexNet, podem automatizar de forma precisa e rápida a análise da composição corporal derivada de TC para pacientes com câncer colorretal, oferecendo uma solução viável para reduzir o tempo e a expertise exigidos para a segmentação manual nos fluxos de trabalho clínicos.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Na luta contra o câncer, os médicos há muito dependem de um número simples para avaliar a saúde geral de um paciente: o Índice de Massa Corporal, ou IMC. Este cálculo, que divide o peso de uma pessoa pela sua altura, oferece um rápido instantâneo de se alguém está abaixo do peso, com peso normal ou com sobrepeso. No entanto, para pacientes com câncer colorretal, este número conta apenas parte da história. Uma pessoa pode ter um IMC elevado e parecer estar em boa forma enquanto sofre secretamente de uma condição perigosa chamada obesidade sarcopênica. Neste estado, o corpo perdeu quantidades significativas de tecido muscular vital, que é substituído por gordura. Esta perda de músculo oculta é um forte preditor de baixas taxas de sobrevivência e de uma menor qualidade de vida, mas os gráficos de peso padrão não conseguem vê-la. Para compreender verdadeiramente a força fisiológica de um paciente, os médicos precisam de olhar para dentro do corpo para medir a quantidade real de músculo e gordura.
Durante décadas, a forma mais precisa de ver este panorama interno tem sido através da Tomografia Computadorizada, ou TC. Estas imagens médicas fornecem uma secção transversal detalhada do corpo, permitindo aos especialistas medir a área do músculo esquelético e a densidade desse tecido muscular. Eles também podem quantificar a gordura armazenada logo abaixo da pele e a gordura que envolve os órgãos internos. Estas medições são críticas porque revelam o verdadeiro estado nutricional do corpo, ajudando os médicos a prever quão bem um paciente poderá sobrevlar uma cirurgia ou tolerar a quimioterapia. No entanto, apesar do seu potencial de salvar vidas, estas tomografias são raramente utilizadas para este fim nos cuidados hospitalares de rotina. A razão não é a falta de tecnologia, mas sim a falta de tempo. Medir manualmente estas áreas num computador é um processo incrivelmente lento e tedioso que exige que um especialista altamente treinado trace o contorno de cada depósito de músculo e gordura. Uma única tomografia pode levar horas para um especialista analisar, tornando impossível usar este método para todos os pacientes que entram pela porta.
Uma equipa de investigadores da Universidade de Glasgow procurou resolver este estrangulamento ensinando os computadores a fazer a medição. O seu objetivo era construir um sistema que pudesse analisar uma tomografia e calcular automaticamente a quantidade exata de músculo e gordura, tal como um especialista humano faria, mas numa fração do tempo. Eles testaram vários tipos diferentes de inteligência artificial, conhecidos como modelos de aprendizagem profunda (deep learning), que são concebidos para reconhecer padrões em imagens. Os investigadores alimentaram estes programas de computador com milhares de tomografias de pacientes com câncer colorretal, juntamente com as medições corretas que especialistas humanos já tinham calculado. O computador aprendeu então a reconhecer as assinaturas visuais de músculo e gordura, tornando-se capaz de prever estes valores por conta própria.
O estudo descobriu que o computador podia, de facto, aprender esta tarefa complexa com uma precisão notável. Entre os diferentes modelos testados, uma arquitetura, conhecida como GoogLeNet, provou ser a mais habilidosa na estimativa da área do músculo esquelético. Cometeu um erro de menos de cinco por cento em comparação com o padrão de referência humano. Outro modelo, chamado AlexNet, teve o melhor desempenho na medição da densidade do tecido muscular, com uma taxa de erro de pouco mais de oito por cento. Estes números são significativos porque mostram que o computador não está apenas a adivinhar; está a fornecer resultados que são estatisticamente muito próximos do que um especialista humano produziria. Os investigadores também descobriram que o computador teve um pouco mais de dificuldade em medir as áreas de gordura, particularmente a gordura sob a pele, que é mais difícil de distinguir do fundo numa tomografia. No entanto, mesmo com estes pequenos desafios, o sistema classificou pacientes em categorias de risco cerca de oitenta por cento das vezes, identificando corretamente aqueles com níveis perigosos de perda muscular.
Para garantir que esta tecnologia pudesse ser realmente utilizada num hospital movimentado, a equipa não parou apenas na construção do modelo. Eles envolveram os programas de computador com melhor desempenho numa aplicação web simples. Esta ferramenta permite que um médico carregue uma única imagem de uma tomografia de um paciente, juntamente com detalhes básicos como a altura e o peso do paciente. Em segundos, o sistema calcula a área e a densidade muscular, converte estes valores num índice padronizado e diz ao médico se o paciente apresenta um risco elevado. Todo o processo leva menos de um segundo por tomografia, uma velocidade que torna viável o uso para cada paciente. Os investigadores enfatizaram que escolheram estes modelos de computador específicos porque são leves e eficientes o suficiente para serem executados em equipamento hospitalar padrão, evitando a necessidade de supercomputadores caros e especializados que são frequentemente exigidos por sistemas de inteligência artificial mais novos e complexos.
Embora os resultados sejam promissores, os investigadores alertam que este é um estudo piloto, o que significa que é um primeiro passo e não uma solução final. O sistema foi testado num grupo relativamente pequeno de pacientes de um único hospital em Glasgow. Isto limita a eficácia da ferramenta em pessoas de diferentes origens ou com diferentes tipos de corpo, uma vez que o computador aprendeu a partir de um conjunto específico de imagens. O estudo também descobriu que a ferramenta foi ligeiramente menos precisa para certos grupos, como mulheres e homens com pesos corporais mais baixos, sugerindo que as versões futuras precisarão de ser ajustadas para lidar com estas variações de forma justa. Apesar destas limitações, o trabalho demonstra que o sonho da análise automatizada da composição corporal está ao alcance. Ao transformar uma tarefa laboriosa de horas num assunto de segundos, esta tecnologia tem o potencial de trazer uma ferramenta de diagnóstico vital para a prática clínica quotidiana, garantindo que nenhuma perda de músculo oculta de um paciente passe despercebida.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.