Detection of extraprostatic extension of prostate cancer by transfer learning AI models versus radiologists on biparametric and multiparametric MRI

O câncer de próstata é o tipo de câncer mais comum entre os homens nos Estados Unidos, e determinar o quão longe a doença se espalhou é uma etapa crítica para decidir como tratá-la. Quando um tumor está confinado dentro da glândula prostática, os médicos podem frequentemente removê-lo com uma cirurgia que preserva nervos importantes. No entanto, se o câncer tiver ultrapassado o limite externo da glândula, uma condição conhecida como extensão extraprostática, o plano de tratamento deve mudar. Os cirurgiões podem precisar remover margens mais amplas de tecido, e os pacientes podem necessitar de terapias adicionais, como radiação ou tratamento hormonal, para evitar o retorno do câncer. Por décadas, os médicos têm dependido da ressonância magnética, ou RM, para detectar esses sinais de disseminação antes da cirurgia. Embora esses exames sejam poderosos, interpretá-los é difícil. Os sinais de um tumor rompendo a borda da glândula podem ser sutis, e até especialistas experientes às vezes os deixam passar ou discordam sobre o que estão vendo.

Para enfrentar esse desafio, uma equipe de pesquisadores da NYU Grossman School of Medicine e da Universidade de Washington decidiu verificar se a inteligência artificial poderia igualar a habilidade de radiologistas humanos na detecção desse tipo específico de disseminação do câncer. Eles focaram em dois tipos de exames de ressonância magnética: uma versão padrão que utiliza múltiplos tipos de dados e uma versão simplificada, que utiliza menos sequências, sendo mais rápida e barata de realizar. Os pesquisadores construíram modelos computacionais capazes de aprender com milhares de exames de pacientes do passado para reconhecer os padrões associados ao câncer que se estendeu além da próstata. O objetivo deles não era apenas ver se as máquinas podiam aprender, mas determinar se poderiam fazê-lo sem a necessidade de um humano desenhar primeiro contornos detalhados ao redor da próstata ou do tumor, um processo que é lento e propenso ao erro humano.

O estudo envolveu um grande grupo de pacientes que realizaram exames de ressonância magnética da próstata entre 2015 e 2023 e que, posteriormente, passaram pela remoção cirúrgica da próstata. Essa remoção cirúrgica forneceu a verdade absoluta (ground truth), permitindo que os pesquisadores soubessem exatamente quais pacientes tinham câncer que havia se espalhado e quais não. A equipe dividiu esses dados em grupos para treinar e testar seus modelos computacionais. Eles criaram duas versões de um sistema de inteligência artificial. A primeira versão analisava apenas as imagens da ressonância magnética simplificada, que captura a estrutura da próstata e como as moléculas de água se movem através dela. A segunda versão analisava essas mesmas imagens somadas a um terceiro tipo de exame que mostra como a próstata absorve o contraste. Crucialmente, nenhuma das versões exigia que um humano delineasse manualmente a próstata ou o tumor na tela. Em vez disso, o computador analisou todo o volume do exame de uma só vez, aprendendo a identificar as texturas e formas sutis que indicam que o câncer rompeu o limite da glândula.

Para verificar o desempenho desses modelos computacionais, os pesquisadores os compararam com três radiologistas altamente treinados que se especializam em imagem abdominal. Esses especialistas revisaram os mesmos exames de teste, primeiro observando as imagens simplificadas e, depois, o conjunto completo de imagens incluindo o contraste. Eles atribuíram uma pontuação a cada exame baseada na probabilidade de o câncer ter se espalhado. Os resultados mostraram que os modelos computacionais tiveram um desempenho tão bom quanto o dos especialistas humanos. Os modelos foram capazes de detectar a disseminação do câncer com um nível de precisão estatisticamente indistinguível do dos radiologistas com especialização avançada (fellowship-trained). Essa descoberta é significativa porque sugere que a inteligência artificial pode servir como um segundo par de olhos confiável, potencialmente reduzindo a carga de trabalho dos médicos e garantindo que menos casos de disseminação sejam perdidos.

Os pesquisadores também investigaram se a adição das imagens de contraste ajudava no diagnóstico. Tanto para os leitores humanos quanto para os modelos computacionais, observar o conjunto completo de imagens, incluindo o contraste, levou a uma ligeira melhoria na precisão. Os humanos tornaram-se melhores em detectar a disseminação, e os modelos computacionais tornaram-se um pouco mais precisos. No entanto, a melhoria não foi dramática o suficiente para declarar isso como um divisor de águas definitivo com base nestes dados isolados. O estudo também descobriu que os modelos computacionais eram particularmente bons em detectar áreas maiores de disseminação, enquanto tanto os humanos quanto as máquinas tinham mais dificuldade com áreas focais muito pequenas, onde o câncer estava apenas começando a atravessar o limite. Essa dificuldade com casos focais pequenos é uma limitação conhecida na área, já que esses sinais minúsculos são inerentemente mais difíceis de visualizar em qualquer exame.

Um dos aspectos mais notáveis deste trabalho é como os modelos computacionais foram treinados. Ao contrário de muitas tentativas anteriores que exigiam que médicos passassem horas desenhando bordas precisas ao redor da próstata e do tumor antes que o computador pudesse aprender, estes modelos aprenderam diretamente das imagens brutas e dos resultados cirúrgicos finais. Essa abordagem, conhecida como aprendizado fracamente supervisionado (weakly supervised learning), significa que o sistema aprendeu a reconhecer a doença sem o gargalo do delineamento manual. Os pesquisadores também testaram se adicionar uma medida simples de exame de sangue, conhecida como densidade do antígeno prostático específico, ajudaria na análise do computador. Embora a adição desses dados clínicos tenha melhorado ligeiramente o desempenho do modelo, as imagens permaneceram o principal fator determinante do diagnóstico.

O estudo conclui que estes modelos de inteligência artificial livres de segmentação são uma ferramenta viável para detectar a disseminação do câncer, apresentando um desempenho equivalente ao de radiologistas especialistas. Embora a adição de contraste e de dados clínicos tenha oferecido ganhos pequenos, a descoberta central é que as máquinas podem aprender a ver o que os especialistas veem sem a necessidade da etapa demorada de rastreamento manual. Os pesquisadores reconhecem que seu trabalho foi realizado em um único centro médico e que os modelos precisam ser testados em dados de diferentes hospitais e de diferentes tipos de máquinas de ressonância magnética para garantir que funcionem em qualquer lugar. Eles também observaram que o estudo foi retrospectivo, o que significa que analisou dados do passado, e que trabalhos futuros devem focar em refinar os modelos para capturar os casos de disseminação mais pequenos e difíceis. Por enquanto, o trabalho demonstra que a inteligência artificial atingiu um ponto em que pode estar lado a lado com especialistas humanos em uma tarefa diagnóstica de alto risco, oferecendo um caminho promissor para um cuidado com o câncer mais consistente e acessível.