Development and Validation of a Deep Learning Ensemble Model to Predict Drug-resistant Tuberculosis From Initial Chest X-ray Image

A tuberculose continua sendo uma das doenças infecciosas mais persistentes e mortais do planeta, ceifando mais de um milhão de vidas anualmente. Embora a medicina moderna tenha desenvolvido formas de tratar a doença, uma ameaça crescente surge: as cepas resistentes a medicamentos. Estas são bactérias que aprenderam a sobreviver aos medicamentos padrão usados para matá-las. Identificar essas cepas resistentes rapidamente é uma corrida contra o tempo. Se um paciente estiver infectado com uma versão resistente, mas for tratado com medicamentos padrão, a doença continuará a se espalhar e a condição do paciente piorará, levando frequentemente à morte. O padrão ouro atual para o diagnóstico envolve a coleta de uma amostra e o teste em um laboratório para ver quais medicamentos funcionam, mas esse processo pode levar semanas. No mundo das doenças infecciosas, semanas podem ser a diferença entre o controle e um surto generalizado.

Pesquisadores há muito suspeitam que os padrões visíveis em uma radiografia de tórax possam conter pistas sobre se um paciente possui uma cepa resistente a medicamentos. Uma radiografia de tórax é uma imagem simples e amplamente disponível que mostra os pulmões. Embora um médico humano olhe para essas imagens para ver se os pulmos estão infectados, ele não consegue distinguir facilmente entre uma infecção padrão e uma que seja resistente à medicação apenas olhando. No entanto, o olho humano não é a única ferramenta capaz de enxergar padrões. Um novo estudo aproveitou o poder da inteligência artificial para analisar essas imagens de uma forma que vai além da capacidade humana, visando detectar os sinais sutis de resistência medicamentosa imediatamente após a chegada de um paciente a uma clínica.

Uma equipe de pesquisadores partiu com o objetivo de construir um sistema computacional que pudesse atuar como um sinal de alerta precoce. Eles não criaram uma nova máquina ou um novo tipo de scanner. Em vez disso, utilizaram uma vasta coleção de imagens de radiografias de tórax existentes e os registros médicos confirmados dos pacientes que as realizaram. Esses dados vieram de um projeto global chamado TB Portals, que reúne informações de pacientes com tuberculose ao redor do mundo. Os pesquisadores selecionaram mais de 7.000 imagens de pacientes da Europa Oriental e da Ásia Central, garantindo que tivessem um registro claro de se cada paciente tinha uma cepa sensível a medicamentos ou uma resistente. Eles dividiram esses dados em grupos: um grupo para ensinar o computador, um para verificar seu progresso e um grupo final para testar suas habilidades finais, tal como um aluno fazendo um exame prático antes do teste real.

Para construir seu sistema, os pesquisadores não dependeram de um único programa de computador. Em vez disso, criaram um ensemble, que é uma equipe de diferentes modelos de inteligência artificial trabalhando juntos. Eles treinaram três modelos distintos de deep learning — programas de computador complexos projetados para reconhecer padrões em imagens — nas radiografias de tórax. Esses modelos aprenderam a identificar milhares de detalhes minúsculos nas imagens pulmonares que o olho humano poderia perder. Em paralelo, a equipe utilizou um método diferente chamado radiômica, que decompõe uma imagem em centenas de características matemáticas mensuráveis, como textura e forma. Eles também incluíram informações básicas sobre os pacientes, como idade, sexo e se possuíam outras condições de saúde, como diabetes ou HIV.

Os pesquisadores então combinaram os insights de todas essas diferentes fontes. Eles pegaram as previsões dos três modelos de leitura de imagens, a análise de radiômica e os dados de saúde básica do paciente, e os alimentaram em um classificador final de aprendizado de máquina. Esta etapa final atuou como um juiz, pesando todas as evidências para produzir uma pontuação de probabilidade única. Essa pontuação representava a probabilidade de o paciente ter uma forma de tuberculose resistente a medicamentos. O sistema foi projetado para ser um porteiro, uma primeira linha de defesa que poderia sinalizar pacientes de alto risco para testes e tratamentos especializados imediatos, em vez de esperar pelos lentos resultados laboratoriais.

Quando a equipe testou seu modelo final nos dados que ele nunca havia visto antes, os resultados foram promissores. O sistema distinguiu corretamente casos de resistência e sensibilidade a medicamentos com um alto grau de precisão. No grupo de teste, o modelo alcançou uma pontuação que indica que ele poderia separar os dois grupos de forma confiável, desempenhando-se significamente melhor do que usando apenas informações clínicas. O modelo não apenas adivinhou aleatoriamente; ele mostrou um padrão claro. Pacientes que foram posteriormente confirmados com a forma mais grave de resistência, conhecida como tuberculose extensivamente resistente, receberam pontuações de risco mais altas do modelo do que aqueles com resistência menos severa. Isso sugere que o sistema era sensível o suficiente para detectar a intensidade da resistência, não apenas sua presença.

Os pesquisadores também observaram como o modelo tomava suas decisões para garantir que estava olhando para as coisas certas. Usando uma técnica que destaca quais partes de uma imagem influenciaram a escolha do computador, eles descobriram que o modelo focou sua atenção nos campos pulmonares, exatamente onde um médico olharia. Ele identificou manchas escuras e alterações estruturais dentro dos pulmões que são características da doença. No entanto, o estudo também revelou uma limitação. O desempenho do modelo caiu quando os pacientes apresentavam outras condições de saúde, como anemia ou HIV. Isso indica que, embora o sistema seja poderoso, outras doenças nos pulmões podem confundir o padrão que ele está tentando encontrar, tornando o diagnóstico mais difícil em pacientes com múltiplos problemas de saúde.

O estudo conclui que as radiografias de tórax, quando analisadas por este tipo específico de inteligência artificial, podem fornecer uma estimativa rápida e significativa do risco de resistência a medicamentos. Os autores são cuidadosos ao afirmar que este sistema não é um substituto para os testes laboratoriais que confirmam quais medicamentos específicos funcionarão. Em vez disso, serve como uma poderosa ferramenta de triagem. Em uma clínica movimentada, especialmente em áreas onde equipamentos laboratoriais avançados são escassos, esta ferramenta pode ajudar os médicos a decidir quais pacientes precisam de cuidados especializados urgentes imediatamente. Ao identificar os casos mais perigosos precocemente, o sistema oferece uma maneira de iniciar o tratamento correto mais cedo, potencialmente salvando vidas e interrompendo a propagação dessas bactérias difíceis de tratar antes que causem mais danos. O trabalho demonstra que, com os dados certos e uma abordagem colaborativa entre diferentes tipos de modelos computacionais, podemos extrair novos insights vitais a partir de imagens que são tiradas há décadas.