A Systematic Review and Descriptive Quantitative Synthesis of Artificial Intelligence in Cervical Cancer Screening and Diagnosis
Esta revisão sistemática de 898 estudos sobre inteligência artificial no rastreamento e diagnóstico do câncer cervical revela uma ampla aplicação através de múltiplas modalidades, mas destaca uma heterogeneidade metodológica significativa e limitações de relato que impedem a análise quantitativa agrupada, ressaltando a necessidade urgente de padronização de relatos, validação externa e avaliação clínica prospectiva.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
O câncer cervical é uma doença que, embora evitável, ainda tira vidas ao redor do mundo. A chave para detê-lo reside em encontrar células anormais precocemente, muitas vezes antes que elas se tornem câncer. Atualmente, os médicos utilizam diversas ferramentas para isso, que variam desde observar células sob um microscópio até examinar o colo do útero com uma câmera especial. No entanto, esses métodos dependem fortemente da habilidade humana e podem variar dependendo de quem está realizando a leitura ou da qualidade das imagens. Nos últimos anos, cientistas recorreram à inteligência artificial, um campo onde os computadores aprendem a reconhecer padrões, para ajudar nesta tarefa. Esses programas de computador podem ser treinados para identificar sinais de doenças em imagens médicas, oferecendo potencialmente um segundo par de olhos que nunca se cansa. A promessa é que essas ferramentas possam tornar o rastreamento mais preciso e disponível para mais pessoas, mas a questão permanece: quão bem elas realmente funcionam no mundo real?
Uma equipe de pesquisadores partiu para responder a isso reunindo todos os estudos disponíveis sobre inteligência artificial usada para o rastreamento e diagnóstico do câncer cervical. Eles pesquisaram em quatro grandes bases de dados científicos, procurando por qualquer pesquisa original que utilizasse computadores para analisar células, imagens de câmeras ou amostras de tecido. Após remover as entradas duplicadas e filtrar os estudos que não se encaixavam em seus critérios rigorosos, restaram-lhes 898 estudos para examinar. Esta vasta coleção cobriu uma ampla gama de aplicações, desde a análise de lâminas de Papanicolau e amostras de células em base líquida até a revisão de imagens tiradas durante a colposcopia, que é um procedimento onde um médico observa o colo do útero de perto, e até mesmo o exame de tecidos sob um microscópio. O número de estudos publicados sobre este tema cresceu rapidamente, com a maioria surgindo nos últimos anos, refletindo um aumento de interesse no uso de aprendizado de máquina e aprendizado profundo para resolver problemas médicos.
Os pesquisadores descobriram que, embora a inteligência artificial esteja sendo usada de muitas maneiras diferentes, os resultados são difíceis de comparar diretamente. Dos 898 estudos, apenas 60 forneceram números claros sobre o desempenho do computador, como a frequência com que ele identificou corretamente a doença ou a excluiu corretamente. Mesmo entre esses 60 estudos, a informação era frequentemente incompleta. Para saber verdadeiramente o quão bom é uma ferramenta de diagnóstico, os cientistas geralmente precisam ver um conjunto completo de dados mostrando exatamente quantos casos foram identificados corretamente, quantos foram perdidos e quantos casos saudáveis foram erroneamente sinalizados como doentes. Nenhum dos estudos nesta revisão forneceu este conjunto completo de números. Como os dados estavam ausentes ou eram relatados de formas diferentes, os pesquisadores não pudram combinar os resultados em uma pontuação única e geral de precisão. Eles não puderam calcular uma média agrupada que diria ao mundo o quão eficazes essas ferramentas são exatamente agora.
Em vez de um único número, a equipe forneceu um resumo descritivo do que encontrou. Eles observaram que a precisão era a métrica mais comum relatada, seguida pela sensibilidade, que mede o quão boa a ferramenta é em capturar a doença, e pela especificidade, que mede o quão boa ela é em evitar alarmes falsos. Os estudos variavam drasticamente na forma como foram desenhados, que tipo de dados usaram e como testaram seus modelos de computador. Alguns usaram dados de um único hospital, enquanto outros usaram imagens de múltiplos locais. Alguns compararam a IA a um especialista humano, enquanto outros usaram um padrão diferente. Essa variedade significava que uma ferramenta que parecia muito boa em um estudo poderia não ter o mesmo desempenho em um cenário diferente. Os pesquisadores também analisaram a qualidade dos estudos e descobriram que muitos careciam de detalhes claros sobre como os dados foram escolhidos ou como os modelos foram testados, tornando difícil confiar totalmente nos resultados.
A conclusão desta extensa revisão é que, embora a inteligência artificial mostre um amplo potencial para ajudar médicos no rastreamento e diagnóstico do câncer cervical, a evidência atual ainda não está pronta para apoiar um julgamento definitivo sobre seu desempenho geral. As ferramentas existem e estão sendo usadas em muitos contextos diferentes, mas a forma como a pesquisa é relatada torna impossível dizer exatamente o quão confiáveis elas são de forma abrangente. Os autores sugerem que, para que essas ferramentas se tornem uma parte padrão do cuidado médico, os estudos futuros precisam ser mais consistentes. Eles precisam usar grupos maiores de pacientes de diferentes lugares, seguir as mesmas regras de teste e relatar seus resultados completamente, incluindo o detalhamento completo de achados corretos e incorretos. Até que esses passos sejam tomados, o pleno potencial da inteligência artificial neste campo que salva vidas permanecerá uma promessa, em vez de uma realidade comprovada.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.