Ultrasound-based deep learning-derived radiomics for preoperative prediction of sentinel lymph node metastasis in invasive breast cancer: a two-center retrospective study

Na jornada pelo tratamento do câncer de mama, uma das decisões mais críticas ocorre antes da primeira incisão ser feita: determinar se o câncer se espalhou para os linfonodos próximos. Esses pequenos órgãos em forma de feijão atuam como a primeira linha de defesa do corpo, filtrando o fluido da mama. Se as células cancerígenas viajaram para lá, o plano cirúrgico muda significamente. Tradicionalmente, os médicos devem realizar uma biópsia de linfonodo sentinela, um procedimento no qual um cirurgião remove um linfonodo específico para verificar a presença de câncer sob um microscópio. Embora eficaz, este é um passo invasivo que acarreta riscos de inchaço e desconforto, e não é sempre perfeito; às vezes, o teste não detecta o câncer e, outras vezes, leva a uma cirurgia desnecessária para pacientes cujo câncer não se espalhou. Por décadas, pesquisadores buscaram uma maneira de prever esse espalhamento usando ferramentas não invasivas, esperando poupar os pacientes de procedimentos de que não precisam. O ultrassom, uma técnica de imagem comum que utiliza ondas sonoras para criar imagens do corpo, tem sido há muito tempo uma ferramenta padrão para observar tumores de mama, mas sua capacidade de ver o invisível espalhamento das células cancerígenas tem sido limitada pela habilidade do olho humano de interpretar as imagens.

Uma equipe de pesquisadores de dois hospitais na China adotou uma nova abordagem para este problema antigo, ensinando um computador a enxergar padrões em imagens de ultrassom que o olho humano poderia perder. Eles focaram em um tipo específico de câncer de mama chamado câncer de mama invasivo, onde o tumor tem o potencial de romper o tecido mamário e viajar para os linfonodos. A equipe reuniu imagens de ultrassom de tumores de 246 pacientes, todos os quais haviam passado por cirurgia para confirmar se seus linfonodos continham câncer. Eles dividiram esses pacientes em dois grupos: um grupo de um hospital em Guangzhou para ensinar o computador, e um grupo separado de um hospital diferente para testar se o computador conseguiria aplicar o que aprendeu a novos pacientes não vistos anteriormente. O computador não olhou para as imagens da maneira que um radiologista faz, observando a forma ou o brilho do tumor. Em vez disso, utilizou um sistema de aprendizado profundo (deep learning), um tipo de inteligência artificial, para decompor as imagens em milhares de minúsculos detalhes matemáticos. O sistema então usou um algoritmo de tomada de decisão para encontrar a combinação específica desses detalhes que melhor predizia se o câncer havia atingido os linfonodos.

Os resultados deste estudo mostram que o modelo de computador alcançou um nível moderado de sucesso ao fazer essas previsões. Quando testado no grupo de pacientes usado para treinar o sistema, o modelo alcançou uma AUC de 0,73. Quando os pesquisadores testaram o mesmo modelo no grupo independente de pacientes do segundo hospital, o desempenho permaneceu consistente, com o modelo alcançando uma AUC de 0,74. Essa consistência entre dois hospitais diferentes, que utilizaram máquinas de ultrassom distintas, sugere que o computador aprendeu um padrão genuíno em vez de apenas memorizar as imagens específicas que lhe foram mostradas. No entanto, o modelo não é um cristal mágico perfeito. No grupo de teste do segundo hospital, o modelo foi muito bom em identificar corretamente pacientes que não tinham disseminação do câncer, com uma taxa de sucesso de cerca de 84 por cento. Este é um achado valioso porque significa que a ferramenta poderia potencialmente ajudar os médicos a se sentirem mais confiantes em pular a biópsia invasiva para certos pacientes de baixo risco.

Contudo, o estudo também destaca onde a ferramenta falha. O modelo foi menos bem-sucedido em capturar cada caso em que o câncer tinha se espalhado, identificando corretamente esses casos apenas cerca de 65 por cento das vezes. Como ele deixou passar alguns casos de disseminação, os pesquisadores enfatizam que esta ferramenta não pode substituir o procedimento padrão de biópsia por si só. Se um médico dependesse exclusivamente desta previsão computacional para descartar a disseminação do câncer, poderia enviar erroneamente alguns pacientes para casa sem o tratamento necessário. Os autores descrevem o modelo como um assistente útil, em vez de um substituto, uma ferramenta que poderia adicionar uma camada de informação ao processo de tomada de decisão. Eles observam que o estudo foi retrospectivo, o que significa que analisou dados que já haviam sido coletados, e que o número de pacientes foi relativamente pequeno. Os pesquisadores também apontam que o computador não foi ensinado a explicar por que tomou determinada decisão, o que é um desafio comum com este tipo de inteligência artificial avançada.

O caminho a seguir, segundo os autores, envolve testar esta ferramenta em grupos muito maiores de pacientes no futuro. Eles sugerem que, antes que esta tecnologia possa ser usada em clínicas cotidianas, ela precisa ser comprovada em estudos prospectivos, onde os pacientes são acompanhados ao longo do tempo para ver se as previsões se sustentam na prática do mundo real. O objetivo é ver se a combinação desta análise computacional com outras informações padrão, como o tamanho do tumor ou a idade do paciente, pode melhorar a precisão ainda mais. Por enquanto, o estudo oferece um vislumbre promissor de um futuro onde a inteligência artificial pode ajudar os médicos a tomar decisões mais personalizadas, potencialmente poupando algumas mulheres de cirurgias desnecessárias enquanto garante que aquelas que precisam delas as recebam. O trabalho demonstra que, embora a tecnologia não esteja pronta para o uso principal, ela ultrapassou a fase teórica e mostrou um potencial real e mensurável em um ambiente clínico.