A systematic review of quality control efforts for histopathology annotation
Esta revisão sistemática de 16 estudos elegíveis descobriu que, embora 62,5% da pesquisa sobre anotação de imagens de histopatologia incorpore esforços de controle de qualidade, o campo permanece fragmentado, com implementações variando entre medidas de controle de qualidade, recursos ou uma combinação de ambos.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA de um preprint que não foi revisado por pares. Não é aconselhamento médico. Não tome decisões de saúde com base neste conteúdo. Ler aviso legal completo
No mundo do diagnóstico médico, um patologista é um detetive que examina fatias minúsculas de tecido sob um microscópio para encontrar sinais de doenças. Para ensinar computadores a realizar este trabalho, os cientistas devem primeiro mostrar-lhes milhares destas imagens de tecido, desenhando cuidadosamente linhas ao redor das partes importantes para ensinar a máquina o que procurar. Este processo de desenhar as linhas é chamado de anotação. No entanto, tal como um humano pode cometer um erro ao rotular um mapa, um computador ou um anotador humano pode identificar incorretamente uma célula ou deixar passar um tumor. Se o computador aprender com estes erros, os seus diagnósticos futuros serão falhos. Para prevenir isto, os investigadores utilizam verificações e ferramentas específicas para garantir que os rótulos estão corretos. Estas verificações, conhecidas como medidas de controlo de qualidade, envolvem humanos a rever o trabalho, enquanto as ferramentas, chamadas funcionalidades de controlo de qualidade, são os botões e menus que permitem a um revisor aceitar um rótulo, rejeitá-lo ou pedir que seja corrigido. Sem estas salvaguardas, os patologistas digitais do futuro podem ser treinados com informações erradas.
Uma revisão sistemática recente de Olivier Rukundo, um investigador da Universidade de Limerick e da Universidade Médica de Viena, analisa detalhadamente quão bem estas redes de segurança estão a ser utilizadas no campo específico da histopatologia, que é o estudo de amostras de tecido. O estudo não criou novo software nem realizou novos experimentos; em vez disso, atuou como uma auditoria abrangente da investigação existente. O autor pesquisou em cinco grandes bases de dados científicas, lançando uma rede ampla para qualquer estudo que discutisse como verificar a qualidade dos rótulos de imagens de tecido. Após encontrar cento e vinte e um registos potenciais, o investigador filtrou-os cuidadosamente, removendo duplicados, artigos de conferências que careciam de detalhe e estudos que não descreviam efetivamente um método para verificar a qualidade. Este processo rigoroso deixou um grupo final de dezasseis estudos que cumpriam os critérios estritos de inclusão.
A revisão classificou estes dezasseis estudos em três grupos distintos com base no que ofereciam. Alguns estudos focaram-se primariamente no lado humano do controlo de qualidade, propondo métodos para especialistas reverem e corrigirem as anotações. Outros focaram-se no lado do software, introduzindo funcionalidades digitais que ajudam os utilizadores a decidir se um rótulo é bom ou mau. Um terceiro grupo combinou ambas as abordagens, oferecendo um sistema onde a revisão humana e as ferramentas digitais trabalham em conjunto. As descobertas revelaram uma divisão clara no campo. No geral, 62,5% dos estudos implementaram esforços de controlo de qualidade para a anotação de imagens de histopatologia, enquanto 37,5% não o fizeram. Isto sugere que, embora a maioria dos investigadores esteja ciente da necessidade destas salvaguardas, uma parte significativa do trabalho nesta área ainda prossegue sem um sistema formal para detetar erros.
Os estudos que implementaram estas verificações mostraram uma variedade de abordagens. Alguns basearam-se na colaboração humana, onde os patologistas reviam o trabalho uns dos outros ou onde médicos seniores experientes supervisionavam as anotações feitas por membros juniores. Outros introduziram ferramentas de software que atuavam como um segundo par de olhos. Por exemplo, alguns programas utilizavam inteligência artificial para sugerir onde uma estrutura deveria ser desenhada, permitindo que um humano simplesmente aceitasse a sugestão ou a corrigisse se estivesse errada. Outras ferramentas foram desenhadas para detetar inconsistências, sinalizando áreas onde pessoas diferentes rotularam a mesma imagem de forma diferente para que uma decisão final pudesse ser tomada. Nos exemplos mais avançados, o software e o humano trabalhavam num ciclo: o computador fazia uma sugestão, o humano a revia e o sistema registava se o humano aceitava ou rejeitava a alteração, criando um ciclo contínuo de melhoria.
Apesar do progresso demonstrado na maioria dos estudos revistos, a revisão destaca que o campo ainda não é uniforme. O facto de mais de um terço dos estudos incluídos não terem implementado estes esforços de controlo de qualidade indica que muitos projetos podem ainda estar a construir os seus conjuntos de dados sem um método robusto para verificar a precisão. A revisão não afirma que o problema esteja resolvido ou que exista um único método perfeito. Em vez disso, mapeia o panorama atual, mostrando que, embora muitos investigadores estejam a desenvolver ativamente formas de garantir que os seus dados estão limpos, ainda existe uma lacuna na adoção. O trabalho serve como um lembrete de que, para os computadores se tornarem parceiros fiáveis no diagnóstico médico, o esforço humano para rotular os dados de treino deve ser apoiado por verificações consistentes e rigorosas, quer essas verificações venham de um patologista sénior ou de uma ferramenta digital desenhada para detetar um erro.
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.