Development and validation of an artificial intelligence-based virtual indigo carmine chromoendoscopy model: a multicenter study

Dentro do corpo humano, o revestimento do estômago e do cólon é uma paisagem de dobras e vales sutis. Para encontrar sinais precoces de câncer nesse terreno, os médicos frequentemente dependem de uma técnica chamada cromoendoscopia. Nesse procedimento, um corante azul inofensivo é borrifado no tecido. O corante se deposita nas pequenas depressões da superfície, criando um mapa de alto contraste que torna muito mais fácil visualizar as bordas de um crescimento suspeito ou os detalhes finos da estrutura do tecido. Esse realce visual é crucial para detectar o câncer antes que ele se espalhe, mas o processo é lento, exige uma mão firme e depende fortemente da habilidade do médico que o realiza. Para muitos hospitais, especialmente aqueles com menos recursos, o custo e a complexidade dos sistemas avançados de imagem eletrônica tornam esse spray de corante manual a única opção, apesar de suas dificuldades inerentes.

Uma equipe de pesquisadores de hospitais da China desenvolveu uma nova maneira de alcançar essa clareza visual sem nunca tocar em um frasco de spray. Eles criaram um sistema de inteligência artificial que pode pegar uma imagem padrão de luz branca comum do estômago ou do cólon e transformá-la instantaneamente em uma foto que parece exatamente como se o corante azul tivesse sido aplicado. Essa tecnologia de "coloração virtual" visa dar aos médicos os benefícios diagnósticos do método tradicional de corante, removendo, ao mesmo tempo, a necessidade do procedimento físico, tornando potencialmente a detecção precoce do câncer mais rápida, segura e acessível.

Os pesquisadores começaram reunindo uma coleção massiva de imagens médicas de cinco hospitais diferentes. Eles coletaram mais de 9.000 imagens onde o corante azul havia sido usado e mais de 8.000 imagens correspondentes dos mesmos pacientes tiradas apenas com luz branca. Essas imagens vieram de quase mil casos diferentes, fornecendo uma base diversa e robusta para o treinamento de seu modelo computacional. O objetivo era ensinar a inteligência artificial a entender exatamente como o corante altera a aparência do tecido — como ele se acumula nas fendas e destaca as bordas das lesões — para que pudesse recriar esse efeito em uma imagem comum.

Para construir este sistema, a equipe projetou um programa de computador especializado baseado em um tipo de inteligência artificial conhecido como rede adversária generativa. Ao contrário de programas mais simples que poderiam apenas adicionar um filtro azul, este modelo foi projetado para realizar uma transformação complexa e passo a passo. Ele aprendeu a alterar as cores e o contraste da imagem para imitar o corante, enquanto preservava rigorosamente a anatomia subjacente. Os pesquisadores foram cuidadosos para garantir que o computador não inventasse novas estruturas ou distorcesse a forma do tecido, pois tais erros poderiam levar a diagnósticos errôneos perigosos. Eles testaram sua criação contra vários outros métodos computacionais existentes, incluindo os usados para edição de fotos comuns e outras tarefas de imagem médica.

Os resultados mostraram que o novo modelo era superior aos outros em quase todos os aspectos. Quando as imagens geradas pelo computador foram comparadas com as imagens reais com aplicação de corante, o novo modelo produziu imagens mais próximas em riqueza de cores e detalhes estruturais. As imagens artificiais pareciam mais com as reais do que as produzidas pelos outros algoritmos. Para verificar isso, os pesquisadores pediram a onze médicos humanos, variando de especialistas com décadas de experiência a aqueles que estavam iniciando suas carreiras, que analisassem as imagens. Os médicos foram solicitados a distinguir entre as imagens com corante real e as geradas pelo computador, e também a avaliar a qualidade das imagens com base em quão bem elas mostravam o contraste do tecido, a clareza das bordas das lesões e a visibilidade de microestruturas finas.

Os médicos acharam difícil distinguir as imagens falsas das reais, identificando corretamente as imagens virtuais apenas cerca de 78% das vezes. Isso sugere que as imagens geradas pelo computador eram convincentes o suficiente para enganar uma parcela significativa dos especialistas. No que diz respeito à tarefa prática de detectar o câncer, as imagens virtuais tiveram um desempenho notável. Os médicos classificaram o contraste geral e a clareza das bordas das lesões nas imagens virtuais como quase idênticos às das imagens com corante real. Não houve diferença significativa em quão bem as bordas de um crescimento podiam ser vistas, o que é o fator mais crítico para decidir onde realizar uma biópsia.

No entanto, o estudo revelou uma área onde as imagens virtuais ainda ficavam aquém. Quando os médicos observavam os detalhes mais finos da superfície do tecido, conhecidos como microestruturas, eles classificaram as imagens virtuais com uma pontuação ligeiramente inferior às reais. O computador era excelente em mostrar o panorama geral e as bordas dos problemas, mas não era tão nítido quanto o corante real quando se tratava das texturas minúsculas. Essa lacuna era mais perceptível para os médicos seniores, que são treinados para buscar esses detalhes sutis, enquanto os médicos menos experientes consideravam as imagens virtuais tão claras quanto as reais. Isso sugere que a tecnologia pode ser particularmente útil para profissionais menos experientes, ajudando-os a ver o que precisam ver sem a necessidade de anos de treinamento especializado.

O estudo conclui que este modelo de inteligência artificial é uma ferramenta viável que pode gerar imagens de corante virtual de alta qualidade, com boa estabilidade e capacidade de funcionar em diferentes hospitais. Embora o sistema ainda não seja perfeito na exibição de cada detalhe microscópico, ele replica com sucesso as características visuais mais importantes necessárias para detectar o câncer precocemente. Os pesquisadores observam que este é um passo significativo à frente, mas também enfatizam que mais testes são necessários. Trabalhos futuros precisarão confirmar se o uso dessas imagens virtuais em tempo real durante procedimentos reais em pacientes leva a melhores taxas de detecção e salva vidas. Por enquanto, o estudo prova que um computador pode aprender a enxergar os padrões ocultos da doença de uma forma que rivaliza com uma mão humana segurando um frasco de spray.