Artificial Intelligence Algorithms for the Detection of Pathologies Related to Lung Cancer through Image Analysis using Convolutional Neural Networks and Data Augmentation: a systematic mapping of the literature

O câncer de pulmão continua sendo uma das ameaças mais formidáveis à saúde pública globalmente, em grande parte porque detectá-lo precocemente é, muitas vezes, a diferença entre a vida e a morte. O método padrão para identificar a doença envolve a captura de imagens tridimensionais detalhadas do tórax usando raios X, um processo conhecido como tomografia computadorizada. Essas imagens revelam as estruturas intrincadas dentro dos pulmões, permitindo que os médicos procurem por pequenos crescimentos anormais chamados nódulos. No entanto, a leitura desses exames é uma tarefa exigente que requer especialistas altamente treinados para filtrar milhares de imagens, um gargalo que pode atrasar o diagnóstico e limitar o acesso ao cuidado. Nos últimos anos, um novo tipo de ferramenta surgiu para auxiliar esses especialistas: a inteligência artificial. Especificamente, pesquisadores têm desenvolvido programas de computador inspirados pelo cérefeito do cérebro humano, conhecidos como redes neurais, que podem aprender a reconhecer padrões em imagens tal como uma pessoa faz. Quando essas redes são projetadas especificamente para imagens, elas são chamadas de redes neurais convolucionais. Elas funcionam escaneando uma imagem e destacando as características mais importantes, como a forma ou a textura de um nódulo, para ajudar a determinar se ele é perigoso.

Uma revisão recente da literatura científica, conduzida por Pablo Ramirez Amador na Universidad Abierta Interamericana, em Buenos Aires, analisa de perto como esses sistemas de computador estão sendo usados atualmente para detectar o câncer de pulmão. O estudo examinou 96 artigos de pesquisa publicados entre 2015 e o presente, pesquisando nas principais bases de dados científicas para encontrar o trabalho mais relevante na área. O objetivo não era testar uma única máquina nova, mas sim mapear todo o panorama da pesquisa existente, compreendendo quais métodos funcionam melhor e onde permanecem os maiores obstáculos. Os pesquisadores focaram em duas técnicas específicas que demonstraram promessa: aprendizado por transferência (transfer learning) e aumento de dados (data augmentation). O aprendizado por transferência permite que um programa de computador que já aprendeu a reconhecer objetos gerais, como gatos ou carros, seja adaptado para o trabalho específico de detectar nódulos pulmonares, economizando tempo e recursos. O aumento de dados é um método de criar mais material de treinamento ao pegar imagens existentes e alterá-las levemente — rotacionando-as, mudando seu tamanho ou adicionando um pouco de ruído visual — para que o computador veja muitas mais variações da mesma coisa e aprenda a ser mais robusto.

A revisão descobriu que essas ferramentas de inteligência artificial são, de fato, capazes de oferecer uma alternativa altamente eficaz para o diagnóstico precoce do câncer de pulmão, muitas vezes igualando a sensibilidade e a especificidade de especialistas humanos. Os estudos analisados mostraram que o uso de redes pré-treinadas, como as conhecidas como VGG16 ou ResNet, combinadas com o aumento de dados, leva a uma alta precisão na identificação do câncer de pulmão de células não pequenas, que é a forma mais comum da doença. Os modelos de computador são capazes de processar os dados complexos de tomografias computadorizadas e sinalizar potenciais problemas com um nível de precisidade que sugere que eles poderiam se tornar uma parte vital do processo de diagnóstico. No entanto, o artigo também deixa claro que esta tecnologia ainda não é um produto acabado pronto para uso imediato e generalizado em todos os hospitais. Os pesquisadores identificaram desafios significativos que devem ser resolvidos antes que essas ferramentas possam ser confiadas em ambientes clínicos do mundo real. Um problema importante é a falta de dados padronizados; diferentes hospitais usam máquinas e protocolos diferentes, o que pode confundir os modelos de computador. Existem também sérias preocupações sobre a privacidade das informações dos pacientes e a necessidade de entender exatamente como o computador chega às suas conclusões, uma qualidade conhecida como explicabilidade, para que os médicos possam confiar nos conselhos que recebem.

Em última análise, o trabalho conclui que, embora a inteligência artificial possua um potencial imenso para melhorar o cuidado aos pacientes com câncer de pulmão, ela não é uma solução mágica que substituirá os médicos humanos. O caminho a seguir exige mais pesquisas para refinar esses algoritmos e novas regulamentações para garantir que sejam seguros, confiáveis e éticos. A revisão sugere que o futuro da detecção do câncer de pulmão reside em uma parceria onde esses poderosos sistemas de computador atuem como um segundo par de olhos, ajudando a capturar doenças de forma mais precoce e precisa, mas apenas se a comunidade científica abordar as limitações atuais relativas à qualidade dos dados e à transparência dos modelos. Até lá, a tecnologia permanece uma promessa poderosa, em vez de um padrão de cuidado totalmente realizado, aguardando os passos necessários para ser trazida com segurança para a clínica.