Inteligência Artificial no Diagnóstico por Imagem de Disfunções Cancerígenas: O Câncer de Tireoide
Câncer é o nome dado à disfunção biológica do organismo quando há uma replicação desordenada das células, que invadem tecidos e órgãos. Há diversas causas externas, como a exposição à radiação solar, alimentos ou agrotóxicos, e internas, como alterações hormonais, condições imunológicas e mutações genéticas. Esses fatores acabam alterando a estrutura do DNA da célula, eventualmente produzindo células cancerosas. Estas se dividem mais rapidamente do que as normais e geralmente são desorganizadas. Com o tempo, tendem a se empilhar umas sobre as outras, formando uma massa de tecido chamada tumor maligno. Todo esse processo, em que um aglomerado de células replicadas se torna um tumor maligno, que, de um modo geral, é um processo lento, pode levar anos até o agravamento da situação. Por isso, quanto mais precoce for o diagnóstico, maiores as chances de cura e melhor a qualidade de vida do paciente, além de mais favorável a relação efetividade/custo do tratamento.
Estima-se que existam mais de 100 tipos de câncer que variam de acordo com o órgão e o tecido. O câncer de tireoide é o mais comum na região entre a cabeça e o tórax. O Instituto Nacional de Câncer documentou 13780 novos casos em 2020, sendo 1830 em homens e 11950 em mulheres.
Assim, como para qualquer tipo de câncer, o seu diagnóstico precoce é fundamental. O objetivo é a detecção de lesões pré-cancerígenas ou do câncer quando ainda localizado no órgão de origem, sem invasão de tecidos vizinhos ou outras estruturas. A detecção de nódulos de tireoide pode ser feita com investigações clínicas, laboratoriais ou ultrassonografia (US).
Cabe salientar que a presença de nódulos na tireoide não significa necessariamente a existência de um câncer. Por isso, após a sua detecção, é avaliada a necessidade da punção aspirativa para o diagnóstico da malignidade do tumor.
A punção aspirativa é um método invasivo para a retirada de material citológico local da tireoide com uma agulha fina. Com o material extraído, é feito uma análise clínica para a classificação do nódulo: benigno ou maligno.
Embora, na maioria dos casos, a punção aspirativa apresente efeitos adversos de baixo risco, envolvendo dor, desconforto e hematomas, outras complicações mais graves podem acontecer. Existem relatos como hemorragia, hematomas, edema, infecção, paralisia do nervo laríngeo, reação vasovagal, perfuração traqueal, disfagia, disseminação tumoral e alterações do volume do nódulo. Além disso, também é desejável que se saiba da malignidade, ou não, do nódulo assim que é descoberto, evitando estresses por parte dos pacientes até que se realize a punção aspirativa e se confirme a procedência do nódulo.
Os aspectos mencionados anteriormente deixam evidente a importância do desenvolvimento de métodos diagnósticos não-invasivos. Por isso, é crescente o número de pesquisas que estão sendo desenvolvidas utilizando diversos tipos imagens clínicas, combinadas a métodos para essa finalidade.
Neste contexto, os métodos de aprendizado de máquina (em inglês, machine learning) vem sendo cada vez mais utilizados para promover a análise das imagens médicas. Estas técnicas se baseiam na construção de algoritmos para predição e tomada de decisões, a partir de um volume massivo de dados. Isto é, a máquina percebe padrões contidos em tais dados, generalizando um modelo de forma que consiga predizer determinada característica de outro conjunto de dados com os mesmos atributos. A utilização de técnicas de machine learning vem sendo explorada, portanto, como ferramenta auxiliar ao diagnóstico clínico. No caso do diagnóstico por imagem de nódulos de tireoide, a utilização dessa técnica pode ser uma ferramenta de apoio para os profissionais da área da saúde. Diversos trabalhos relatam pesquisas utilizando imagens de ultrassonografia (US) de tireoide para a detecção e classificação de nódulos. Os resultados promissores obtidos pelas pesquisas mais recentes nessa área reforçam sua importância e eficácia.
Dentre os trabalhos na área, destacam-se aqueles que utilizam redes neurais convolucionais pré-treinadas para a construção do modelo de classificação. Por exemplo, o trabalho de Chi et al. (2017) utilizou o modelo pré-treinado GoogLeNet para extrair características das imagens de US de tireoide com nódulos detectados a partir de um banco de dados de domínio público, bem como a partir de imagens oriundas de um hospital local. As características das imagens extraídas pela GoogLeNet foram avaliadas em um classificador Cost-sensitive Random Forest, que, segundo os autores, foi capaz de classificar os tumores como malignos ou benignos com até 98.29% de precisão, 99.10% de sensibilidade e 93.90% de especificidade, dependendo das imagens utilizadas.
Já em Nguyen et al. (2019), foram avaliadas as redes convolucionais pré-treinadas Resnet-18, Resnet-34 e Resnet-50 para a extração de características de nódulos de tireoide em imagens de US de uma base de dados de domínio público. Os autores comparam o desempenho obtido com cada uma destas redes. O trabalho, também, avalia a extração de características das imagens no domínio da frequência utilizando transformada rápida de Fourier. Os resultados chegaram a 86%, 88% e 63% de precisão, sensibilidade e especificidade, respectivamente.
Liu et al. (2019) propõe um método em duas etapas: Na primeira é feita a localização do nódulo, usando como argumento de saída para o algoritmo de aprendizado características do nódulo como tamanho, formato, ecogenicidade e presença, ou não, de calcificações. Depois de localizado, o nódulo é classificado de acordo com sua malignidade, seguindo um padrão de classes similar ao utilizado por profissionais radiologistas. Utilizou, para isso, dois bancos de dados próprios, de um hospital local e outro de exames de rotina de um aparelho de ultrassonografia que o autor teve acesso às imagens. Para a detecção, foi utilizada a ResNet50, e para a classificação, uma versão refinada da rede convolucional pré-treinada ZFNet. O autor compara seus resultados com os resultados da literatura, bem como com o diagnóstico fornecido por radiologistas experientes. O método proposto atingiu acurácia de 97.5% para a detecção e 97.1% para a classificação, superior a acurácia obtida através do diagnóstico fornecido por radiologistas.
Texto retirado dos anais do Congresso Brasileiro de Engenharia Biomédica (2020), do artigo publicado de Bernardo Cecchetto e Viviane Rodrigues Botelho.
Elaborado por: Bernardo Cecchetto
Por NUCLEORAD em 07/01/2021 às 10:19
