Multi-Class Gastric Histopathology Classification Using a Hybrid Swin Transformer–ConvNeXt Model
Este artigo apresenta um modelo de aprendizado profundo híbrido Swin Transformer–ConvNeXt, integrado a uma interface web baseada em Flask, que alcança 75,35% de acurácia na classificação de imagens de histopatologia gástrica em oito tipos de tecidos distintos para auxiliar patologistas no diagnóstico de câncer gástrico.
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
Todos os anos, aproximadamente 660.000 pessoas perdem a vida para o câncer de estômago, uma doença onde a diferença entre a vida e a morte muitas vezes depende de quão cedo ela é detectada. O padrão atual para o diagnóstico baseia-se em um patologista, um especialista médico altamente treinado, observando através de um microscópio finas fatias de tecido tingidas com corantes coloridos. Este especialista humano deve identificar padrões sutis na paisagem celular para distinguir o tecido saudável de crescimentos cancerosos. No entanto, este processo é lento, exigente e propenso ao erro humano; dois médicos experientes olhando para a mesma lâmina podem nem sempre concordar sobre o que veem. À medida que o número de pacientes cresce, a lacuna entre a necessidade de diagnóstico e a disponibilidade de especialistas aumenta, criando um gargalo que atrasa o tratamento. Nos últimos anos, cientistas recorreram à inteligência artificial para ajudar a carregar esse fardo, ensinando computadores a reconhecer padrões em imagens médicas que podem ser demasiado ténues ou complexos para o olho humano captar de forma consistente.
Uma equipa de investigadores do Paquistão deu um passo significativo nesta área ao criar um novo sistema informático concebido para analisar o tecido estomacal com maior precisão. Em vez de simplesmente pedir a um computador para decidir se uma amostra é "câncer" ou "não é câncer", construíram uma ferramenta que pode classificar o tecido em oito categorias distintas. Esta é uma distinção crucial porque saber exatamente que tipo de tecido não canceroso está presente — seja gordura, músculo, muco ou células imunitárias — fornece um contexto vital para o diagnóstico geral de um médico. Os investigadores desenvolveram um sistema híbrido que combina dois tipos diferentes de modelos de inteligência artificial. Um modelo, inspirado na forma como os humanos processam a linguagem, é excelente a compreender o layout amplo e geral do tecido. O outro modelo, baseado em técnicas tradicionais de processamento de imagem, é excecionalmente bom a detetar os detalhes minúsculos e finos e as texturas onde os sinais precoces de doença costumam esconder-se. Ao permitir que estes dois modelos trabalhem juntos e votem na resposta final, o sistema cria uma imagem mais completa do que qualquer um deles conseguiria alcançar sozinho.
Para testar a sua ideia, a equipa utilizou uma grande coleção de imagens digitais tiradas de amostras de tecido estomacal, as quais limparam utilizando uma sequência específica de passos para remover o ruído e aumentar o contraste. Em seguida, treinaram o seu sistema híbrido nestas imagens, ensinando-o a reconhecer os oito diferentes tipos de tecido: tecido tumoral, gordura, detritos, linfócitos (células imunitárias), muco, músculo liso, revestimento estomacal normal e um tecido de suporte chamado estroma. O sistema foi testado em imagens que nunca tinha visto antes, e identificou corretamente o tipo de tecido cerca de 75 por cento das vezes. Embora isto possa parecer uma pontuação modesta, foi uma melhoria clara em relação aos sistemas de modelo único que os investigadores tentaram para comparação, os quais tiveram dificuldade em atingir o mesmo nível de precisão. A abordagem híbrida provou que combinar a visão do "quadro geral" de um modelo com a visão de "primeiro plano" do outro era uma estratégia mais eficaz para esta tarefa complexa.
Os investigadores não pararam apenas na construção de um modelo; eles envolveram-no numa aplicação de software funcional que qualquer pessoa com um navegador web poderia utilizar. Um utilizador pode carregar uma imagem de uma lâmina de tecido e, em poucos segundos, o sistema devolve uma previsão do que é o tecido, juntamente com uma pontuação de confiança e uma explicação em linguagem clara sobre o resultado. O sistema também mantém um registo das análises passadas, permitindo que médicos ou investigadores consultem resultados anteriores. A equipa teve o cuidado de notar que este sistema é atualmente um protótipo de investigação, não uma ferramenta pronta para uso imediato num hospital. A precisão, embora promissora, ainda não é alta o suficiente para substituir um médico humano, e o sistema por vezes confunde dois tipos específicos de tecido saudável que parecem muito semelhantes entre si. Além disso, o sistema foi treinado em imagens de uma única fonte, pelo que não é claro quão bem funcionaria em amostras de diferentes hospitais ou com diferentes métodos de coloração.
Apesar destas limitações, o trabalho oferece um caminho claro a seguir. O estudo sugere que o futuro da patologia assistida por computador reside na combinação de diferentes tipos de inteligência artificial para capturar a gama total de informações numa amostra de tecido. Os investigadores planeiam melhorar o seu sistema adicionando explicações visuais que mostrem exatamente quais as partes da imagem que levaram a uma conclusão específica, uma característica que ajudaria os médicos a confiar no julgamento da máquina. Eles também pretendem treinar o sistema num conjunto de imagens muito maior e mais diversificado para reduzir a confusão entre tecidos semelhantes. Ao construir a ponte entre os dados brutos e uma interface utilizável, este projeto demonstra que, embora a inteligência artificial ainda não seja uma substituição para a perícia humana, está a tornar-se um parceiro poderoso no longo e difícil trabalho de diagnosticar o câncer.
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.