O câncer de pulmão continua sendo a principal causa de morte por câncer em todo o mundo, em grande parte porque é frequentemente descoberto tarde demais. Quando a doença é detectada precocemente, enquanto um tumor ainda é pequeno e contido, as taxas de sobrevivência são altas. Quando se espalha, o prognóstico cai drasticamente. Para captar esses sinais precoces, os médicos utilizam tomografia computadorizada de baixa dose, ou exames de TC, que tiram centenas de imagens transversais do tórax. Um único exame produz uma enorme pilha de fatias, criando um mapa tridimensional dos pulmões. No entanto, ler esses exames é uma tarefa extenuante para os radiologistas humanos. Eles devem examinar fatia após fatia, procurando por pontos minúsculos e tênues que possam ser nódulos. O volume absoluto de dados leva à fadiga, e até mesmo especialistas frequentemente discordam sobre o que veem. É aqui que os sistemas de computador entram, prometendo agir como um segundo par de olhos incansável, escaneando todo o volume para sinalizar ameaças potenciais.

O desafio para esses computadores é que os dados que eles analisam são complicados. As imagens não são cubos perfeitos; o espaço entre as fatias é frequentemente muito maior do que o detalhe dentro de uma única fatia. Ferramentas padrão de visão computacional, projetadas para tratar todas as direções igualmente, desperdiçam esforço processando o espaço vazio entre as fatias enquanto perdem os detalhes sutis dentro delas. Além disso, encontrar um nódulo é diferente de delinear sua forma exata, mas a maioria dos sistemas trata essas como tarefas separadas. O maior obstáculo, porém, é que os nódulos são incrivelmente raros em comparação com o tecido pulmonar saudável ao redor deles. Em um pequeno cubo de tecido pulmonar, o nódulo pode ocupar menos de um por cento do espaço. Quando um programa de computador tenta aprender com um conjunto de dados tão desequilibrado, ele frequentemente desiste, simplesmente decidindo que cada ponto é tecido saudável, pois essa é a suposição mais segura e fácil. Este artigo apresenta um novo sistema projetado para resolver esses problemas específicos, permitindo que um programa de computador leve seja executado em dispositivos pequenos e portáteis, enquanto ainda encontra e delineia esses pontos perigosos com uma precisão surpreendente.

Os pesquisadores, trabalhando a partir de faculdades de medicina na China, desenvolveram uma nova rede chamada Light3D-NoduleNet. O objetivo deles era construir um sistema pequeno o suficiente para rodar em um dispositivo de borda, como um computador portátil usado em uma clínica, em vez de uma enorme fazenda de servidores. Eles começaram redesenhando como o computador "olha" para as imagens 3D. Em vez de usar um filtro padrão em blocos que trata as direções cima-baixo, esquerda-direita e frente-trás da mesma forma, eles criaram um filtro assimétrico. Este filtro entende que a imagem está esticada em uma direção. Ele usa um filtro largo e plano para escanear os padrões detalhados dentro de uma fatia e um filtro vertical fino para verificar as mudanças entre as fatias. Essa mudança simples reduz o número de cálculos necessários em mais da metade, tornando o sistema muito mais rápido e leve sem perder sua capacidade de ver detalhes finos.

Para tornar o sistema ainda mais inteligente, os pesquisadores adicionaram um mecanismo que permite ao computador prestar atenção às partes mais importantes da imagem. Assim como um leitor humano pode focar em uma área específica de um texto, o sistema aprende a ajustar seu foco com base na profundidade da rede. Nas camadas iniciais, ele observa texturas locais pequenas, enquanto nas camadas mais profundas, ele recua para entender as estruturas maiores dos pulmões, como vasos sanguíneos e vias aéreas. Isso ajuda o computador a distinguir entre um vaso sanguíneo inofensivo e um nódulo perigoso, uma tarefa que frequentemente confunde sistemas mais simples.

A descoberta mais crítica deste trabalho, no entanto, não foi sobre velocidade ou atenção, mas sobre como o computador aprende a resolver dois trabalhos ao mesmo tempo. O sistema é projetado para fazer duas coisas simultaneamente: primeiro, encontrar o centro de um nódulo e, segundo, desenhar o contorno exato desse nódulo. Em tentativas anteriores, essas duas tarefas eram frequentemente ensinadas separadamente ou permitidas que trabalhassem isoladamente. Os pesquisadores descobriram que, quando forçaram essas duas tarefas a conversar entre si, o sistema inteiro ganhou vida. Eles construíram uma ponte entre as duas partes da rede. A parte que encontra o centro envia um sinal para a parte de delineamento, dizendo: "Olhe aqui, é aqui que o objeto está". Em troca, a parte de delineamento envia um sinal de volta, dizendo: "A borda está aqui, então o centro deve estar perto desta fronteira".

Essa conversa de mão dupla revelou-se a chave para resolver o problema do desequilíbrio extremo. Sem essa ponte, o computador simplesmente desistiria e declararia que todo o pulmão estava saudável, alcançando uma pontuação de aproximadamente 0,23 em sua capacidade de encontrar os nódulos — um resultado conhecido como "solução trivial", onde o modelo falha em aprender qualquer coisa útil. Os pesquisadores testaram isso construindo versões do sistema sem a ponte. Não importava o quanto eles ajustassem as outras partes, essas versões permaneciam presas nesse baixo escore, incapazes de aprender algo útil. Somente quando a conexão de mão dupla estava presente é que o sistema rompeu a barreira da desistência, aprendendo a encontrar os nódulos e delineá-los corretamente. Essa descoberta sugere que, para sistemas médicos pequenos e eficientes funcionarem, eles devem ser projetados com um loop integrado onde diferentes tarefas se reforçam mutuamente, em vez de trabalharem isoladamente.

A equipe testou seu sistema em milhares de exames de TC reais de bancos de dados médicos públicos. Eles compararam seus resultados com vários modelos estabelecidos e maiores. Apesar de possuir muito menos parâmetros e exigir menos poder de computação, seu sistema superou os modelos maiores e mais complexos. Alcançou um alto nível de precisão ao delinear os nódulos, igualando o desempenho de sistemas muito mais pesados enquanto usava apenas uma fração dos recursos. Quando rodaram o sistema em um dispositivo pequeno e portátil projetado para uso em campo, ele processou as imagens rápido o suficiente para ser útil em um cenário clínico real, levando apenas alguns segundos para analisar uma área candidata.

Os pesquisadores também exploraram o quão bem o sistema poderia encontrar nódulos em um exame de pulmão completo. Embora não fosse tão agressivo quanto sistemas construídos exclusivamente para detecção, ele identificou com sucesso a vasta maioria dos nódulos quando combinado com um pequeno passo extra para filtrar alarmes falsos. O sistema provou que é possível criar uma ferramenta médica tridimensional altamente precisa que caiba em um dispositivo pequeno, desde que a arquitetura permita que as diferentes partes do sistema trabalhem juntas em um loop fechado. Essa abordagem oferece um novo caminho para trazer o rastreamento de câncer de pulmão avançado para lugares onde grandes supercomputadores não estão disponíveis, potencialmente salvando vidas ao tornar a detecção precoce mais acessível.