Um novo sistema de inteligência artificial que examina a forma e a estrutura das células sanguíneas pode melhorar significativamente a forma como doenças como a leucemia são diagnosticadas. Os pesquisadores dizem que a ferramenta pode identificar células anormais com maior precisão e consistência do que os especialistas humanos, reduzindo potencialmente diagnósticos perdidos ou incertos.
O sistema, conhecido como Cytodiffusion, conta com IA generativa, a mesma tecnologia usada em geradores de imagens como o DALL-E, para analisar detalhadamente a presença de células sanguíneas. Em vez de se concentrar apenas em padrões óbvios, ele estuda variações sutis na aparência das células ao microscópio.
Indo além do reconhecimento de padrões
Muitas ferramentas médicas de IA existentes são treinadas para classificar imagens em categorias predefinidas. Em contraste, a equipa responsável pela Cytodiffusion demonstrou que a sua abordagem pode reconhecer toda a gama de aparências normais das células sanguíneas e identificar de forma fiável células raras ou anormais que podem sinalizar doenças. O trabalho foi conduzido por pesquisadores da Universidade de Cambridge, University College London e Queen Mary University of London, e os resultados foram publicados na Nature Machine Intelligence.
Identificar pequenas diferenças no tamanho, forma e composição das células sanguíneas é fundamental para o diagnóstico de muitas doenças do sangue. No entanto, aprender a fazer isso bem pode exigir anos de experiência, e mesmo médicos altamente treinados podem discordar ao analisar casos complexos.
“Todos nós temos diferentes tipos de células sanguíneas que têm propriedades e papéis diferentes em nossos corpos”, disse Simon Deltadahl, do Departamento de Matemática Aplicada e Física Teórica de Cambridge, primeiro autor do estudo. “Por exemplo, os glóbulos brancos são especializados no combate a infecções. Mas saber a aparência de uma célula sanguínea anormal ou doente ao microscópio é uma parte importante do diagnóstico de muitas doenças.”
Administração de escalas de análise de sangue
Um esfregaço de sangue padrão pode conter milhares de células individuais, muito mais do que uma pessoa pode realisticamente examinar individualmente. “As pessoas não conseguem ver todas as células num esfregaço – não é possível”, disse Deltadahl. “Nosso modelo pode automatizar esse processo, fazendo a triagem de casos de rotina e destacando qualquer coisa incomum para análise humana”.
Esse desafio é familiar aos médicos. “Um dos desafios clínicos que enfrentei como médico hematologista júnior foi que, após um dia de trabalho, eu me depararia com muitas amostras de sangue para analisar”, disse o coautor sênior, Dr. Sutesh Sivapalaratnam, da Queen Mary University of London. “Enquanto os analisava no final, fiquei convencido de que a IA se sairia melhor do que eu.”
Treinamento em um conjunto de dados sem precedentes
Para criar a citodifusão, os pesquisadores treinaram em mais de meio milhão de imagens de esfregaços de sangue coletadas no Hospital Addenbrooke, em Cambridge. O conjunto de dados, descrito como o maior do gênero, inclui tipos comuns de células sanguíneas, exemplos raros e recursos que muitas vezes confundem os sistemas automatizados.
Em vez de aprender como separar as células em categorias específicas, a IA modela toda a gama de como as células sanguíneas podem aparecer. Isto torna a diferenciação entre hospitais, microscópios e técnicas de coloração mais robusta, ao mesmo tempo que melhora a capacidade de identificar células raras ou anormais.
Detectando leucemia com maior confiança
Quando testada, a citodifusão detecta células anormais associadas à leucemia com muito maior sensibilidade do que os sistemas existentes. Ele teve um desempenho tão bom ou melhor que os modelos líderes atuais, mesmo quando treinado com muito menos exemplos, e foi capaz de medir o quão confiante estava em suas próprias previsões.
“Quando testamos sua precisão, o sistema era um pouco melhor que os humanos”, disse Deltadahl. “Mas na verdade era saber onde estava quando era incerto. Nosso modelo nunca diria que era certo e depois estaria errado, mas isso é algo que as pessoas fazem às vezes.”
O co-autor sênior, Professor Michael Roberts, do Departamento de Matemática Aplicada e Física Teórica de Cambridge, disse que o sistema foi avaliado em relação aos desafios do mundo real enfrentados pela IA médica. “Avaliamos nossa abordagem em relação a muitos desafios vistos na IA do mundo real, como imagens nunca antes vistas, imagens capturadas por diferentes máquinas e níveis de incerteza nos rótulos”, disse ele. “Esta estrutura fornece uma visão multifacetada do desempenho do modelo que acreditamos que será benéfica para os pesquisadores.”
Quando as imagens de IA enganam os especialistas humanos
A equipe também descobriu que a citodifusão pode produzir imagens sintéticas de células sanguíneas que são indistinguíveis das reais. Num “teste de Turing” envolvendo dez hematologistas experientes, os especialistas não foram melhores do que a probabilidade aleatória de obter imagens reais sem imagens geradas por IA.
“Isso realmente me surpreendeu”, disse Deltadahl. “São pessoas que ficam olhando para as células sanguíneas o dia todo e nem conseguem perceber.”
Dados abertos na comunidade global de pesquisa
Como parte do projeto, os pesquisadores estão divulgando o que descrevem como a maior coleção mundial de imagens de esfregaços de sangue periférico disponível publicamente, totalizando mais de meio milhão de amostras.
“Ao abrir este recurso, esperamos permitir que investigadores de todo o mundo desenvolvam e testem novos modelos de IA, democratizem o acesso a dados médicos de alta qualidade e, em última análise, contribuam para melhorar o atendimento ao paciente”, disse Deltadahl.
Apoiar, não substituir, o médico
Apesar dos fortes resultados, os investigadores sublinham que a citodifusão não se destina a substituir médicos treinados. Em vez disso, ele foi projetado para ajudar os médicos, sinalizando rapidamente os casos e processando automaticamente amostras de rotina.
“O valor real da IA em saúde não reside em alcançar conhecimentos humanos aproximados a baixo custo, mas em permitir maiores capacidades diagnósticas, prognósticas e prescritivas do que modelos estatísticos simples ou especializados podem alcançar”, disse o co-autor sênior Professor Parshkaev Nachev da UCL. “O nosso trabalho sugere que a IA generativa será central para esta missão, transformando não só a fidelidade dos sistemas de apoio clínico, mas também as suas percepções sobre os limites do seu próprio conhecimento. Esta consciência ‘metacognitiva’ – saber o que não se sabe – é crítica para a tomada de decisões clínicas, e aqui mostramos que as máquinas podem ser melhores do que nós.”
A equipe observa que são necessárias pesquisas adicionais para acelerar o sistema e validar sua eficácia em populações de pacientes mais diversas, para garantir precisão e justiça.
A pesquisa recebeu apoio do Trinity Challenge, Wellcome, British Heart Foundation, Cambridge University Hospitals NHS Trust, Barts Health NHS Trust, NIHR Cambridge Biomedical Research Centre, NIHR UCLH Biomedical Research Center e NHS Blood and Transplant. O trabalho foi realizado pelo Grupo de Trabalho de Imagem dentro do Hemograma! Consórcio, que visa melhorar o diagnóstico global de sangue usando IA. Simon Deltadahl é membro do Lucy Cavendish College, Cambridge.
