A detecção precoce de câncer de mama é essencial para um tratamento eficaz e melhores resultados. Infelizmente, muitas vezes o diagnóstico é feito tarde demais, o que pode levar a tratamentos mais agressivos, resultados incertos e maiores despesas médicas.
Por isso, uma equipe do Laboratório de Inteligência Artificial e Ciência da Computação (CSAIL) do MIT e do Hospital Geral de Massachusetts (MGH) desenvolveu um modelo de aprendizado profundo capaz de prever se uma paciente desenvolverá câncer de mama nos próximos cinco anos a partir de uma mamografia.
O modelo foi treinado com mais de 60.000 mamografias e resultados conhecidos de pacientes do MGH, permitindo que ele aprendesse padrões sutis no tecido mamário que podem ser precursores de tumores malignos. Esse avanço promissor pode ajudar os médicos a identificar pacientes com risco mais alto de desenvolver câncer de mama, permitindo um diagnóstico precoce e um tratamento mais eficaz.
A professora Regina Barzilay, que é uma sobrevivente de câncer de mama, afirma que a esperança é que sistemas como este permitam que os médicos personalizem os programas de triagem e prevenção em nível individual, eliminando o diagnóstico tardio. Embora a mamografia tenha mostrado reduzir a mortalidade por câncer de mama, ainda há um debate sobre a frequência ideal e o momento para iniciar a triagem. Enquanto a Sociedade Americana do Câncer recomenda triagens anuais a partir dos 45 anos, a Força-Tarefa de Serviços Preventivos dos EUA recomenda triagens a cada dois anos, a partir dos 50 anos.
“Em vez de adotar uma abordagem única, podemos personalizar a triagem com base no risco de uma mulher desenvolver câncer”, diz Barzilay, que é autora sênior de um novo estudo sobre o projeto publicado na Radiology. “Por exemplo, um médico pode recomendar que um grupo de mulheres faça uma mamografia a cada dois anos, enquanto outro grupo de alto risco pode precisar fazer uma ressonância magnética suplementar”. Barzilay é a professora Delta Electronics no CSAIL e no Departamento de Engenharia Elétrica e Ciência da Computação no MIT, além de ser membro do Instituto Koch para Pesquisa Integrativa sobre o Câncer no MIT.
A equipe obteve resultados significativamente melhores do que as abordagens existentes na previsão do risco de câncer de mama. Em comparação com modelos tradicionais, seu modelo classificou com precisão 31% dos pacientes com câncer em sua categoria de maior risco, enquanto os modelos anteriores classificaram apenas 18%.
Antes, estratégias de triagem baseadas no risco e não na idade tinham pouco apoio na comunidade médica, devido à falta de ferramentas precisas de avaliação de risco individual para mulheres. No entanto, o trabalho da equipe, o primeiro a demonstrar a possibilidade de tal estratégia, pode mudar isso.
Constance Lehman, professora de radiologia da Harvard Medical School e chefe de divisão de imagens de mama do MGH, afirma que o trabalho da equipe é um avanço significativo e que sua esperança é que as descobertas abram caminho para a personalização dos programas de triagem de câncer de mama para mulheres individuais. Além de Barzilay e Lehman, os estudantes de doutorados Adam Yala e Tal Schuster e o ex-aluno de mestrado Tally Portnoi, todos do MIT, também são coautores do artigo.
Como funciona?
Desde o surgimento do primeiro modelo de risco para câncer de mama, em 1989, o desenvolvimento desses modelos tem sido guiado pelo conhecimento humano e intuição em relação aos principais fatores de risco, tais como idade, histórico familiar de câncer de mama e ovário, fatores hormonais e reprodutivos e densidade mamária.
No entanto, a maioria desses indicadores está apenas fracamente correlacionada com o câncer de mama. Como resultado, esses modelos ainda não são muito precisos no nível individual, e muitas organizações ainda acreditam que programas de triagem baseados em risco não são viáveis dada essas limitações.
Em vez de identificar manualmente padrões em mamografias que levam ao câncer no futuro, a equipe do MIT/MGH treinou um modelo de aprendizagem profunda para deduzir esses padrões diretamente dos dados. Utilizando informações de mais de 90.000 mamografias, o modelo detectou padrões muito sutis que seriam invisíveis ao olho humano.
“Desde os anos 1960, os radiologistas perceberam que as mulheres possuem padrões únicos e altamente variáveis de tecido mamário visíveis em mamografias”, disse Lehman. “Esses padrões podem representar a influência da genética, hormônios, gravidez, lactação, dieta, perda de peso e ganho de peso. Agora podemos aproveitar essas informações detalhadas para avaliar o risco de forma mais precisa em nível individual”.
O desenvolvimento do modelo de risco de câncer de mama do MIT/MGH tem como objetivo melhorar a precisão da avaliação de risco para minorias raciais, já que muitos modelos iniciais foram desenvolvidos em populações brancas e eram menos precisos para outras raças. Ao contrário desses modelos anteriores, o modelo MIT/MGH é igualmente preciso para mulheres brancas e negras, o que é especialmente importante, dado que as mulheres negras apresentam uma maior probabilidade de morrer de câncer de mama. Allison Kurian, professor associado de medicina e pesquisa/política em saúde da Faculdade de Medicina da Universidade de Stanford, afirma que “se validado e disponibilizado para uso generalizado, isso pode realmente melhorar nossas estratégias atuais para estimar o risco”.
Além disso, a equipe de pesquisa acredita que o modelo pode ser usado para verificar se os pacientes correm maior risco de ter outros problemas de saúde, como doenças cardiovasculares ou outros tipos de câncer. Os pesquisadores também estão ansiosos para aplicar os modelos a outras doenças e enfermidades, especialmente àquelas com modelos de risco menos eficazes, como o câncer de pâncreas. Adam Yala, um estudante de doutorado da CSAIL, diz que “ao prever quem irá desenvolver o câncer no futuro, podemos salvar vidas e pegar o câncer antes que os sintomas surjam”. O objetivo final é fazer com que esses avanços se tornem parte do padrão de atendimento.
Achou útil essa informação? Compartilhe com seus amigos!
Deixe-nos a sua opinião aqui nos comentários.