Development and Validation of a Feature-Prompted Deep Learning System for Diagnosing Chronic Atrophic Gastritis Under White-Light Endoscopy

Todos os anos, milhões de pessoas ao redor do mundo enfrentam a ameação do câncer de estômago, uma doença que permanece como uma das principais causas de morte relacionada ao câncer globalmente. Antes que este câncer se desenvolva, o revestimento do estômago frequentemente passa por uma transformação lenta e silenciosa conhecida como gastrite atrófica crônica. Nesta condição, o tecido saudável que reveste o estômago gradualmente afina e perde sua função, uma mudança que aumenta significamente o risco de o câncer aparecer mais tarde. Detectar este sinal de alerta precoce é crucial, mas continua sendo uma tarefa difícil para os médicos. A principal ferramenta para olhar dentro do estômago é uma câmera flexível em um tubo fino, que captura imagens do interior do órgão. No entanto, identificar os sinais sutis de afinamento do tecido nessas imagens é notoriamente complicado. As mudanças podem ser tênues, e até especialistas experientes frequentemente discordam sobre o que estão vendo ou perdem os sinais completamente. Devido a essa incerteza, os médicos às vezes recorrem à coleta de amostras de tecido aleatórias de várias partes do estômago para terem certeza, um processo que é demorado, dispendioso e desconfortável para os pacientes.

Uma equipe de pesquisadores do Hospital de Medicina Tradicional Chinesa de Hangzhou Xiaoshan desenvolveu um novo sistema de inteligência artificial projetado para ajudar os médicos a detectar esses sinais de alerta precoce de forma mais confiável. O objetivo deles era criar um assistente digital que pudesse olhar para as mesmas imagens de vídeo ao vivo que um médico vê durante um exame padrão e identificar os padrões específicos de afinamento do tecido com alta precisão. Ao contrário de tentativas anteriores que tentavam analisar uma única imagem de uma só vez, esta equipe construiu um sistema de múltiplas etapas que imita a maneira cuidadosa com que um especialista humano examina um paciente. O sistema primeiro verifica se a imagem é clara o suficiente para ser útil, descartando quadros borrados ou mal iluminados. Em seguida, identifica exatamente qual parte do estômago a câmera está observando, distinguindo entre a entrada, o corpo principal e a saída. Finalmente, foca nas áreas específicas onde o afinamento do tecido pode estar escondido, usando uma técnica que destaca as regiões suspeitas antes de fazer um diagnóstico.

Os pesquisadores testaram este sistema usando milhares de imagens tiradas de quase mil pacientes que realizaram endoscopia entre janeiro de 2024 e setembro de 2025. Para garantir que o sistema estivesse aprendendo as coisas certas, eles o treinaram em uma vasta coleção de imagens que foram cuidadosamente rotuladas por médicos experientes. A parte mais inovadora de sua abordagem foi como o sistema aprendeu a encontrar a doença. Em vez de pedir ao computador para adivinhar onde estava o problema em uma imagem inteira, eles primeiro ensinaram uma parte separada do sistema a desenhar um contorno digital ao redor das áreas que pareciam estar sofrendo afinamento. A ferramenta de diagnóstico principal então usou esses contornos como um guia, focando sua atenção apenas no tecido relevante. Este método, que os pesquisadores chamam de aprendizado orientado por características (feature-prompted learning), permitiu que o sistema ignorasse as partes saudáveis do estômago que poderiam distraí-lo, muito parecido com uma pessoa que foca em um detalhe específico em uma sala lotada enquanto ignora o plano de fundo.

Quando a equipe colocou seu melhor modelo à prova, os resultados foram impressionantes. O sistema identificou corretamente a presença de afinamento de tecido em 92,4% dos casos em que ele realmente existia, e excluiu corretamente sua presença em 89,2% dos casos em que estava ausente. Este nível de precisão não foi apenas um sucesso estatístico; foi um sucesso prático. Quando os pesquisadores compararam o desempenho do computador contra um grupo de médicos humanos, o sistema apresentou um desempenho equivalente ao dos especialistas mais seniores, que tinham mais de cinco anos de experiência independente. A precisão do sistema de 90,9% foi estatisticamente indistinguível dos 90,3% alcançados por esses especialistas. No entanto, o sistema superou significativamente os médicos com experiência intermediária, que praticavam de forma independente há três a cinco anos. Esses médicos menos experientes alcançaram uma precisão de 85,6%, uma lacuna que sugere que a inteligência artificial poderia servir como um poderoso equalizador, ajudando profissionais menos experientes a atingir o nível de diagnóstico dos especialistas mais experientes.

O estudo também revelou que o design de múltiplas etapas do sistema foi essencial para o seu sucesso. Quando os pesquisadores tentaram uma versão mais simples que olhava para a imagem inteira sem primeiro filtrar a qualidade ou a localização, a precisão caiu para 87,0%. Essa diferença provou que a capacidade do sistema de limpar os dados e focar nas áreas anatômicas corretas fez uma diferença real e mensurável em seu julgamento final. A estratégia de orientação por características, onde o sistema era guiado pelos contornos digitais das áreas suspeitas, melhorou ainda mais os resultados, mostrando que direcionar a atenção do computador para as partes mais relevantes da imagem ajudou a evitar erros. Embora o sistema tenha mostrado grande potencial, os pesquisadores foram cuidadosos ao notar que este foi um estudo de centro único, o que significa que foi testado em pacientes de um único hospital usando equipamentos específicos. Eles reconheceram que o sistema ainda precisa ser testado em uma variedade maior de ambientes e com diferentes tipos de câmeras antes de poder ser usado rotineiramente em clínicas em todos os lugares.

Apesar dessas limitações, o trabalho representa um passo significativo no esforço para padronizar a detecção de condições estomacais pré-cancerosas. Ao combinar uma análise cuidadosa, passo a passo, com um método que guia o computador para focar nos detalhes mais importantes, os pesquisadores criaram uma ferramenta que iguala o desempenho dos melhores especialistas humanos. Este sistema não substitui o médico, mas oferece um segundo par de olhos que nunca se cansa e nunca perde um detalhe sutil devido à fadiga ou distração. À medida que a tecnologia avança para ensaios multicêntricos maiores, ela detém o potencial de tornar a detecção precoce do câncer de estômago mais consistente e acessível, garantindo que os sinais de alerta da gastrite atrófica crônica sejam vistos claramente, não importa quem esteja segurando a câmera.