A Systematic Review of Deep Learning Algorithms for the Early Detection of Chronic Disease

Doenças crônicas como câncer, insuficiência cardíaca, diabetes e condições hepáticas são as principais causas de morte e incapacidade em todo o mundo. Elas se desenvolvem lentamente ao longo do tempo, muitas vezes escondendo sua presença até terem causado danos significativos. Como detectar essas doenças precocemente pode salvar vidas e reduzir o sofrimento, médicos e cientistas buscam constantemente formas melhores de identificá-las antes que os sintomas apareçam. Nos últimos anos, um ramo da ciência da computação conhecido como aprendizado profundo (deep learning) surgiu como uma ferramenta poderosa para essa tarefa. Diferente dos programas de computador antigos, que exigiam que humanos os ensinassem manualmente o que procurar, os sistemas de aprendizado profundo podem ensinar a si mesmos. Eles fazem isso estudando vastas quantidades de informações, como imagens médicas, resultados de exames de sangue ou registros de ritmo cardíaco, e aprendendo a reconhecer padrões sutis que os olhos humanos poderiam perder. Essa capacidade de encontrar sinais ocultos em dados complexos oferece uma nova esperança para prever doenças muito antes de elas se tornarem críticas.

Uma equipe de pesquisadores da Universidade de Engenharia e Tecnologia de Chittagong, em Bangladesh, partiu para entender exatamente até onde essa tecnologia avançou. Eles não realizaram um novo experimento único; em vez disso, realizaram uma busca massiva e organizada através de milhares de estudos científicos existentes para ver o que já havia sido descoberto. Seguindo um conjunto rigoroso de regras usadas para garantir imparcialidade e precisão em revisões científicas, eles filtraram centenas de artigos publicados entre 2018 e 2026. De um grupo inicial de 800 estudos, selecionaram cuidadosamente 55 relatórios de alta qualidade que focavam especificamente no uso de aprendizado profundo para a detecção precoce de doenças crônicas. O objetivo deles era mapear o panorama da pesquisa atual, identificando quais modelos de computador funcionam melhor, quais dados utilizam e onde a tecnologia ainda enfrenta dificuldades.

Os pesquisadores descobriram que os modelos de computador mais bem-sucedidos dependem fortemente do tipo de dado que estão analisando. Quando a tarefa envolve observar imagens, como raios-X, exames de ressonância magnética ou imagens de tecidos ao microscópio, um tipo específico de modelo de aprendizado profundo chamado Rede Neural Convolucional é o líder claro. Esses sistemas são excelentes em identificar formas, texturas e limites dentro das imagens. Em estudos focados em câncer, particularmente câncer de mama e de pele, esses modelos focados em imagens alcançaram um sucesso notável, com alguns atingindo taxas de precisão de até 99,5 por cento. Por exemplo, um estudo usou um modelo para analisar milhares de imagens de tecido mamário e identificou corretamente o câncer em quase todos os casos, enquanto outro sistema distinguiu diferentes tipos de tumores de pele com precisão semelhante. Esses modelos estão se tornando tão bons que, às vezes, conseguem ver detalhes que são invisíveis a olho nu, oferecendo uma poderosa segunda opinião para patologistas.

No entanto, nem todos os dados médicos chegam na forma de imagens. Algumas informações, como batimentos cardíacos, ondas cerebrais ou o histórico médico de um paciente ao longo de muitos anos, chegam como uma sequência de números mudando ao longo do tempo. Para esses tipos de dados, são necessárias arquiteturas de computador diferentes. A revisão destacou que modelos projetados para lembrar informações passadas, como redes de Memória de Longo Prazo de Curto Prazo (Long Short-Term Memory), são particularmente eficazes para doenças cardíacas e diabetes. Esses sistemas podem acompanhar como a condição de um paciente evolui, detectando tendências perigosas no ritmo cardíaco ou nos níveis de açúcar no sangue que um único registro instantâneo perderia. Na previsão de doenças cardíacas, modelos específicos como o HQNN alcançaram uma precisão de 99,8 por cento. Da mesma forma, para o diabetes, novas abordagens que combinam diferentes tipos de aprendizado demonstraram a capacidade de prever o surgimento da doença, com um estudo alcançando 75 por cento de precisão ao prever o início do diabetes tipo 2 com sete anos de antecedência, usando dados que variam de exames de sangue simples a marcadores genéticos complexos.

Apesar desses números impressionantes, os pesquisadores foram cuidadosos ao apontar que a tecnologia ainda não está pronta para substituir médicos em todas as clínicas. Um grande obstáculo é a falta de dados de alta qualidade e rotulados. Para ensinar um computador a reconhecer uma doença, os cientistas precisam de milhares de exemplos onde a resposta já é conhecida, mas tais conjuntos de dados são frequentemente pequenos, incompletos ou enviesados. Além disso, esses poderosos sistemas de computador são frequentemente "caixas pretas", o que significa que podem dar uma resposta correta sem explicar por que chegaram a essa conclusão. Na medicina, saber o raciocínio por trás de um diagnóstico é tão importante quanto o próprio diagnóstico. A revisão também observou que muitos dos estudos mais bem-sucedidos foram testados apenas em ambientes controlados ou em conjuntos de dados locais específicos, e permanece incerto se eles funcionariam tão bem em diferentes hospitais ou com diferentes populações de pacientes.

Os autores concluem que, embora o aprendizado profundo tenha provado seu potencial para revolucionar a detecção precoce de doenças, um trabalho significativo ainda resta antes que possa ser amplamente confiável na prática médica cotidiana. O caminho a seguir envolve a criação de coleções de dados médicos maiores e mais diversas, além do desenvolvimento de métodos que tornem esses modelos de computador mais transparentes e fáceis de entender. A revisão sugere que o futuro reside em abordagens híbridas, onde diferentes tipos de modelos são combinados para lidar tanto com imagens quanto com dados temporais simultaneamente, e no uso de inteligência artificial explicável, que possa dizer a um médico exatamente o que ele viu para tomar sua decisão. Até que esses desafios sejam superados, o aprendizado profundo provavelmente servirá melhor como um assistente sofisticado, ajudando profissionais médicos a detectar os sinais mais precoces de doenças crônicas e dando aos pacientes uma chance melhor de uma vida saudável.