H-XAI-Cervix: conditional hierarchical learning for cervical-cell classification on Herlev and SIPaKMeD

Todos os anos, milhões de mulheres submetem-se a um simples teste de rastreio para detetar sinais precoces de cancro do colo do útero. Um técnico recolhe uma amostra de células do colo do útero, cora-as com um corante especial e coloca-as sob um microscópio. Um especialista humano examina estas células, procurando mudanças subtis na sua forma, tamanho e cor que possam indicar doença. Este processo, conhecido como citologia cervical ou Papanicolau, é um pilar da medicina moderna, mas é lento, exige muito trabalho e depende fortemente da habilidade da pessoa que olha através da lente. Para ajudar a acelerar o processo e reduzir o erro humano, cientistas passaram anos a ensinar computadores a reconhecer estes padrões celulares. O objetivo é construir uma inteligência artificial que consiga olhar para uma única célula e decidir se ela é saudável ou se apresenta sinais de problemas, atuando como um segundo par de olhos para o patologista.

O desafio reside na forma como estas células estão organizadas. No mundo real, os rótulos médicos não são apenas uma lista plana de opções não relacionadas; eles formam uma árvore genealógica natural. Existem categorias amplas, como "normal" ou "anormal", e dentro desses grupos amplos, existem detalhes mais finos e específicos. Um programa de computador que trata cada categoria individual como uma opção igual e não relacionada muitas vezes perde as conexões lógicas entre elas. Pode identificar corretamente uma célula como anormal, mas falhar em reconhecer que ela pertence a um tipo específico de anormalidade menos grave, ou vice-versa. Os investigadores queriam saber se ensinar um computador a respeitar esta estrutura familiar — compreendendo que um tipo específico de célula deve primeiro pertencer a um grupo mais amplo antes de poder ser identificado como esse tipo específico — tornaria o processo um melhor instrumento de diagnóstico.

Um investigador decidiu testar esta ideia utilizando duas coleções bem conhecidas de imagens de células. Construiu um modelo de computador concebido para mimetizar este pensamento hierárquico. Em vez de pedir ao computador para escolher entre todos os tipos de células de uma só vez, forçou-o a tomar uma decisão em etapas. Primeiro, o modelo tinha de decidir se uma célula era normal ou anormal. Somente após fazer essa escolha ampla é que poderia proceder à identificação do tipo específico de célula dentro desse grupo. Esta abordagem, que o autor chama de hierarquia condicional, foi comparada com um modelo de computador padrão que tentava adivinhar o tipo de célula específico diretamente, sem primeiro classificá-lo numa categoria ampla. O investigador testou isto em dois conjuntos de dados diferentes: um contendo 917 imagens de células e outro com mais de 4.000 imagens.

Os resultados mostraram que a forma como o computador foi ensinado importava, mas o benefício dependia inteiramente da complexidade da tarefa. Quando o investigador testou o modelo no conjunto de dados menor, que continha células agrupadas em sete categorias diferentes, a abordagem hierárquica provou ser significativamente melhor. O modelo que compreendia a árvore genealógica identificou corretamente as categorias amplas e os tipos específicos de células com mais frequência do que o modelo padrão. Neste teste específico, o modelo hierárquico melhorou a sua precisão por uma margem notável, classificando corretamente quase 93 por cento dos casos binários de normal versus anormal e cerca de 74 por cento dos sete tipos específicos. O modelo padrão, que ignorava a estrutura familiar, ficou aquém em ambas as áreas. Isto sugere que, quando a tarefa envolve a distinção entre muitas categorias semelhantes e complexas, forçar o computador a seguir um caminho lógico ajuda-o a evitar a confusão.

No entanto, a história mudou quando o investigador aplicou o mesmo teste ao conjunto de dados maior. Esta coleção continha mais de 4.000 imagens com categorias menos numerosas e mais distintas. Neste cenário, o modelo de computador padrão já estava a desempenhar num nível muito elevado, identificando células corretamente quase sempre. Quando o investigador adicionou a estrutura hierárquica a este modelo, não melhorou os resultados. O modelo que seguia a árvore genealógica desempenhou tão bem como o que não a seguia, mas não melhorou. O investigador descobriu que o método hierárquico preservou a alta precisão do modelo padrão, mas não acrescentou qualquer valor quando a tarefa já era fácil de resolver para o computador.

O estudo também analisou o quão confiante o computador estava nas suas respostas. No conjunto de dados menor e mais difícil, o modelo hierárquico fez melhores distinções entre tipos de células, mas os seus índices de confiança foram, por vezes, menos perfeitamente alinhados com a realidade do que os do modelo padrão. No conjunto de dados maior, ambos os modelos estavam muito bem calibrados, o que significa que os seus níveis de confiança correspondiam à sua precisão real. O investigador enfatizou que, embora a abordagem hierárquica tenha ajudado o computador a pensar de forma mais lógica sobre o conjunto de células menor e mais complexo, não é uma solução mágica que melhore automaticamente todos os sistemas de IA médica. O sucesso do método dependeu da natureza específica dos dados e da dificuldade da tarefa de classificação.

Em última análise, este trabalho demonstra que a estrutura do processo de aprendizagem de um computador pode ser tão importante quanto os dados de que aprende. Ao forçar uma inteligência artificial a respeitar as relações naturais entre diferentes tipos de células, os investigadores podem, por vezes, construir um classificador mais inteligente e preciso, particularmente ao lidar com distinções médicas subtis e complexas. No entanto, esta melhoria não é universal; se um computador já é excelente numa tarefa, adicionar uma estrutura complexa pode não ajudar. O autor alerta que estes resultados se baseiam em imagens de células isoladas e ainda não provam que tal sistema possa diagnosticar o cancro num paciente real. Antes que esta tecnologia possa ser utilizada numa clínica, deve ser testada em amostras de tecido inteiras e em ambientes médicos do mundo real. Por agora, o estudo oferece uma lição clara: na busca para ensinar as máquinas a ver como os médicos, a forma como organizamos o seu pensamento importa, mas o método certo depende inteiramente do problema que estamos a tentar resolver.