Ultrasound Deep Learning for Distinguishing Benign Reactive from Hematologic Malignancy-Associated Cervical Lymphadenopathy in Children: Development and Validation

Todos os anos, milhões de crianças visitam médicos porque seus pescoços estão inchados. Esses caroços são geralmente linfonodos inofensivos, as pequenas glândulas que atuam como parte do sistema imunológico do corpo, inchando para combater um resfriado comum ou uma infecção viral. No entanto, em um número pequeno, mas crítico de casos, esses mesmos linfonodos inchados podem ser o primeiro sinal de um câncer de sangue grave, como leucemia ou linfoma. Distinguir entre uma simples reação a um vírus e um sinal de câncer é um dos desafios mais difíceis na medicina pediátrica. O ultrassom, uma ferramenta de imagem segura que utiliza ondas sonoras em vez de radiação, é o primeiro passo que os médicos dão para olhar dentro desses linfonodos. Ele pode mostrar a forma do nódulo e como o sangue flui através dele, mas as pistas visuais frequentemente se sobrepõem. Um nódulo que parece suspeito pode estar apenas combatendo um vírus, enquanto um nódulo que parece calmo pode esconder uma malignidade. Por décadas, os médicos confiaram em sua experiência e em um checklist de características para fazer essa avaliação, mas a linha entre o benigno e o perigoso é frequentemente tênue.

Uma equipe de pesquisadores do Hospital Infantil da Universidade de Soochow, na China, partiu para ver se um computador poderia aprender a notar a diferença onde os olhos humanos às vezes hesitam. Eles não pediram ao computador para observar exames de sangue ou o histórico do paciente; em vez disso, deram a ele apenas as imagens de ultrassom e os contornos dos linfonodos inchados. O objetivo era construir um assistente digital que pudesse olhar para um exame de rotina e dizer a um médico se o inchaço era provavelmente uma reação inofensiva ou algo que exigia preocupação imediata para câncer de sangue. Essa abordagem baseia-se na ideia de que os pixels brutos de uma imagem de ultrassom contêm padrões sutis — texturas, sombras e detalhes de borda — que o olho humano pode perder, mas que uma máquina pode aprender a reconhecer.

Para ensinar este computador, os pesquisadores reuniram uma grande coleção de imagens de ultrassom de seus arquivos hospitalares. Eles começaram com mais de seis centenas de imagens de linfonodos cervicais inchados de crianças. Cada imagem havia sido cuidadosamente marcada por três médicos experientes em ultrassonografia, que desenharam um contorno preciso ao redor do linfonodo, de forma independente uns dos outros e sem conhecer o diagnóstico final. Quando os médicos discordavam sobre a forma, eles se reuniam para chegar a um único contorno perfeito. Esse processo garantiu que o computador estivesse aprendendo a partir do mapa mais preciso possível do tecido. Os pesquisadores então agruparam as imagens para que múltiplas visualizações do mesmo nódulo de uma criança fossem mantidas juntas, evitando que o computador simplesmente memorizasse a mesma imagem duas vezes. Eles dividiram os dados em cinco grupos, treinando o computador em quatro deles e testando-o no quinto, rotacionando até que cada imagem tivesse sido testada. Esse método rigoroso garantiu que os resultados não fossem um acaso de uma divisão sortuda nos dados.

O modelo de computador que construíram foi baseado em uma arquitetura sofisticada conhecida como EfficientNet, que havia sido pré-treinada em milhões de imagens gerais para reconhecer formas e padrões. Os pesquisadores adaptaram esse modelo para aceitar a imagem de ultrassom e o contorno desenhado pelo médico como sua entrada. Eles alimentaram o modelo com milhares de exemplos, deixando-o aprender as diferenças visuais entre linfonodos causados por leucemia ou linfoma e aqueles causados por infecções virais, como o vírus Epstein-Barr ou inflamação geral. O computador não apenas adivhou; ele aprendeu a pesar a evidência visual, ajustando suas configurações internas até que pudesse separar consistentemente os dois grupos.

Quando os pesquisadores testaram o modelo final em dados que ele nunca tinha visto antes, ele apresentou um alto grau de precisão. O sistema distinguiu corretamente entre linfonodos benignos e malignos em cerca de 86 por cento dos casos, uma medida de desempenho conhecida como área sob a curva. Em uma configuração específica escolhida para equilibrar a necessidade de detectar todos os cânceres com a necessidade de evitar alarmes falsos, o modelo foi correto em cerca de 78 por cento das vezes. Ele identificou corretamente quase 77 por cento dos casos reais de câncer, o que significa que perdeu apenas uma pequena fração dos nós perigosos, enquanto identificou corretamente cerca de 80 por cento dos casos inofensivos. Esse nível de desempenho sugere que as imagens de ultrassom sozinhas, sem qualquer outra informação médica, contêm informação visual suficiente para uma máquina fazer uma distinção confiável.

O estudo também analisou como o modelo lidava com diferentes tipos de câncer. Descobriu-se que o computador era ligeiramente melhor em detectar o linfoma do que a leucemia. Isso faz sentido ao observar as imagens: os linfonodos de linfoma frequentemente apresentam formas arredondadas muito distintas e centros escuros que se destacam claramente, enquanto os linfonodos afetados por leucemia podem parecer mais com o inchaço irregular e desordenado visto em infecções virais, tornando-os mais difíceis de distinguir. Apesar dessa dificuldade, o modelo ainda conseguiu separar os casos de leucemia dos benignos melhor do que o acaso, com pontuações de desempenho consistentemente acima de 83 por cento para todas as comparações específicas.

Os pesquisadores fizeram questão de notar que esta ferramenta não é um substituto para um médico. Ela não diagnostica o câncer por si só, nem substitui a necessidade de biópsias ou exames de sangue quando um câncer é suspeitado. Em vez disso, ela atua como um segundo par de olhos, oferecendo uma opinião objetiva sobre a própria imagem. A confiança do computador foi calibrada para que, quando desse uma pontuação alta, fosse muito provável que o linfonodo fosse de fato maligno. Isso pode ajudar um radiologista a decidir se uma criança precisa de testes adicionais urgentes ou se o inchaço pode ser observado com segurança ao longo do tempo. O estudo foi conduzido em um único hospital, e os contornos foram desenhados à mão por especialistas, o que significa que o próximo passo é ver se o modelo funciona tão bem quanto em imagens de diferentes hospitais e se ele pode funcionar com contornos gerados automaticamente.

Em última análise, este trabalho demonstra que a linguagem visual do ultrassom contém segredos que podem ser decodificados pela inteligência artificial moderna. Ao focar estritamente na imagem e na forma do nódulo, os pesquisadores mostraram que um computador pode aprender a ver a diferença entre o corpo de uma criança combatendo um vírus e o corpo de uma criança combatendo o câncer. Embora o modelo ainda não esteja pronto para ser usado em todas as clínicas, os resultados fornecem uma base sólida para estudos futuros. Eles sugerem que, em um futuro próximo, um computador poderá sentar-se ao lado de um pediatra, revisando um exame de ultrassom e oferecendo uma perspectiva baseada em dados que ajude a garantir que nenhum caso perigoso seja perdido e que nenhuma criança passe por procedimentos desnecessários.