IA aprende a “pensar” como patologista para procurar câncer

Renê Fraga
10 min de leitura

Principais destaques

  • Novo método imita especialistas: pesquisadores treinaram uma IA para aprender como patologistas percorrem, ampliam e selecionam regiões de lâminas de tecido.
  • O desempenho mudou bastante: em testes com tecidos de linfonodos, o sistema identificou corretamente todos os casos positivos de um conjunto, mas ainda produziu falsos positivos.
  • A promessa é trabalhar com médicos: a ferramenta não foi desenvolvida para diagnosticar pacientes sozinha, mas para indicar ao patologista onde vale a pena olhar com mais atenção.

Uma lâmina de tecido pode parecer um mapa quase infinito para uma inteligência artificial. São bilhões de pixels, enquanto uma pequena região pode conter justamente a pista que revela um câncer.

O problema é saber onde procurar primeiro.

É aí que entra uma nova estratégia desenvolvida por pesquisadores da Universidade da Pensilvânia e colaboradores. Em vez de ensinar a IA apenas com imagens já marcadas por especialistas, o grupo tentou reproduzir algo mais próximo do comportamento humano: observar a lâmina inteira, encontrar áreas suspeitas e só então aproximar o olhar.

A ideia deu origem ao Pathology-CoT, método que transforma o comportamento de patologistas em dados de treinamento, e ao sistema Pathology-o3, criado para aplicar essa estratégia na análise de lâminas.

A IA precisava aprender a procurar, não só a reconhecer 🔎

Muitos sistemas de inteligência artificial usados em patologia recebem imagens ou regiões previamente selecionadas e aprendem a associá-las a diagnósticos.

Isso funciona como receber uma fotografia com um círculo vermelho indicando exatamente onde está o problema.

Um patologista, porém, não começa assim.

Ele percorre a lâmina, muda a ampliação, desloca a imagem e passa mais tempo em determinados pontos quando algo parece estranho. É uma busca dinâmica.

🚁 A comparação ajuda: Zhi Huang, professor-assistente de patologia e medicina laboratorial da Universidade da Pensilvânia e coautor do estudo, comparou o processo a um helicóptero de busca e resgate. Primeiro vem a varredura da paisagem. Depois, a aproximação sobre os pontos que merecem investigação.

💡 O salto está justamente aí: ensinar a IA não apenas a reconhecer uma pista, mas a decidir onde vale a pena procurar.

O que os pesquisadores capturaram dos médicos 🧠

Para construir o treinamento, a equipe criou uma ferramenta capaz de registrar como oito patologistas navegavam pelas lâminas.

Os dados incluíam movimentos pela imagem e mudanças de magnificação. Só que o comportamento humano, como seria de esperar, não produziu um conjunto de dados perfeitamente organizado.

Havia deslocamentos acidentais, regiões ultrapassadas e ajustes de zoom feitos simplesmente porque o especialista queria posicionar melhor a imagem.

Os pesquisadores filtraram esses movimentos e tentaram preservar aqueles que pareciam representar atenção deliberada, como permanecer mais tempo em uma região ou fazer uma movimentação sustentada pela lâmina.

Depois, cruzaram essas informações com dados de rastreamento ocular para verificar se os registros realmente correspondiam às áreas observadas pelos patologistas.

A IA também teve de explicar seus próprios “interesses” ✍️

O treinamento não parou no movimento do cursor.

Para cada região examinada, o modelo de linguagem visual produzia uma breve justificativa sobre por que aquele ponto merecia atenção e quais características estavam presentes.

Os patologistas podiam aceitar, editar ou rejeitar essas justificativas.

Em um dos exemplos descritos pelos pesquisadores, a IA apontou uma região potencialmente metastática e sugeriu ampliar a imagem para procurar células atípicas. Em outras áreas, indicou características compatíveis com tecido saudável.

Esse conjunto de comportamentos e justificativas foi usado para treinar o novo sistema.

Primeiro o mapa, depois o zoom ⚙️

O Pathology-o3 funciona em etapas.

1️⃣ Varredura: a lâmina é analisada inicialmente em baixa resolução.

2️⃣ Seleção: o modelo treinado com o comportamento dos patologistas escolhe regiões que merecem uma inspeção mais detalhada.

3️⃣ Ampliação: as áreas selecionadas são enviadas em resolução maior para um modelo de linguagem visual fazer a análise.

É uma mudança importante de estratégia. Em vez de tentar analisar cada pedaço de uma imagem gigantesca com a mesma atenção, o sistema tenta reproduzir a lógica de investigação usada por um especialista.

E nos testes, funcionou? 📊

Os pesquisadores compararam o Pathology-o3 com outros sistemas de uso geral, incluindo o o3 da OpenAI.

O teste utilizou lâminas de tecido de linfonodos obtidas de casos de câncer colorretal. Algumas continham câncer metastático e já haviam sido classificadas por patologistas.

Os resultados foram diferentes entre os sistemas:

SistemaCasos positivos identificados corretamenteEntre os positivos apontados, quantos eram negativos
Pathology-o3100%15,5%
OpenAI o387,5%53,3%

O Pathology-o3 foi configurado para errar pelo lado de pedir uma segunda olhada, em vez de correr o risco de ignorar uma possível área cancerosa.

Isso ajuda a explicar a quantidade de falsos positivos.

Mohammad Asadi, cientista de dados de Stanford que não participou do estudo, observou que a utilidade dessa taxa de alarmes depende de como a ferramenta será utilizada. Segundo ele, o sistema ainda não é preciso o suficiente para diagnosticar pacientes sozinho, mas poderia apontar regiões específicas para uma segunda avaliação humana.

Quando a lâmina muda, o resultado também muda 🌎

Os pesquisadores fizeram ainda um teste com um conjunto de dados independente, que os algoritmos não haviam visto anteriormente.

Nesse cenário, o Pathology-o3 identificou corretamente 97,6% das lâminas positivas. Entre as lâminas que apontou como positivas, porém, 37,1% eram negativas.

O resultado mostra um detalhe fundamental em inteligência artificial médica: um modelo pode apresentar desempenho diferente quando muda a origem dos dados, mesmo que a tarefa continue sendo essencialmente a mesma.

Para Asadi, isso indica que a abordagem ainda pode funcionar com lâminas provenientes de outra fonte. Mas há uma diferença importante entre funcionar em um conjunto independente e demonstrar benefício real no atendimento médico.

A grande pergunta ainda não foi respondida 👀

O estudo não comparou diretamente o Pathology-o3 com patologistas humanos.

E isso foi intencional.

O objetivo principal era descobrir se o comportamento de especialistas poderia melhorar a capacidade de modelos de uso geral de navegar por lâminas de patologia.

Os pesquisadores aplicaram a abordagem a vários modelos de linguagem visual e observaram melhora consistente no desempenho após o treinamento com os dados de navegação dos patologistas.

🗣 O ponto central, segundo Huang: “O ingrediente que faltava esteve nos hospitais o tempo todo.”

A próxima etapa é mais difícil e, provavelmente, mais relevante.

A equipe pretende testar patologistas analisando os mesmos casos com e sem o auxílio do Pathology-o3, medindo tanto o que eles conseguem detectar quanto o tempo necessário para concluir a análise.

E se a IA só tornar o trabalho mais barulhento? ⚠️

Essa é uma das questões que ainda precisam ser respondidas.

Uma ferramenta que aponta muitas áreas suspeitas pode ajudar a evitar diagnósticos perdidos. Mas também pode aumentar a carga de trabalho se os médicos precisarem investigar uma sucessão de falsos alarmes.

Asadi defende testes em múltiplos hospitais que avaliem não apenas precisão e velocidade, mas também a carga de trabalho dos patologistas, o impacto dos falsos positivos e a capacidade dos profissionais de perceber quando a IA está errada.

Isso é especialmente importante porque um diagnóstico de câncer normalmente não depende de uma única imagem. Podem entrar na avaliação diferentes lâminas, colorações e informações do histórico do paciente.

O Pathology-o3, neste estágio, analisa uma lâmina por vez.

Por isso, o próprio Huang evita apresentar o sistema como um médico artificial. A proposta mais plausível, segundo os pesquisadores e especialistas citados, é a de uma ferramenta de pré-triagem que ajude a direcionar a atenção humana.

🔬 A questão deixou de ser apenas “a IA consegue encontrar câncer?” e passou a ser “ela consegue ajudar um especialista a encontrar mais, sem criar trabalho demais no caminho?”

A diferença parece pequena, mas muda completamente o teste que precisa ser feito.

Por enquanto, o Pathology-o3 mostrou que ensinar uma máquina a olhar como um especialista pode melhorar sua navegação por uma lâmina. O próximo experimento dirá se essa habilidade realmente transforma a rotina de quem está diante do microscópio.

No fim, a promessa não é colocar a IA no lugar do patologista. É fazê-la funcionar como aquele segundo par de olhos que sabe para onde apontar a lanterna. O problema é descobrir se, no mundo real, essa lanterna ilumina mais do que atrapalha.

Apoie o Eurisko
Este conteúdo é independente, sem anúncios e feito por pessoas.
A inteligência artificial e as mudanças recentes do Google reduziram significativamente o alcance dos sites independentes. Se este conteúdo foi útil para você, considere apoiar o Eurisko e todo o ecossistema de projetos com qualquer valor.
Quero apoiar
Seguir:
Renê Fraga é fundador e editor-chefe do Eurisko, ecossistema editorial independente dedicado à inteligência artificial, código aberto, tecnologia e cultura digital. Atuando com projetos online desde 1996, escreve há mais de 20 anos sobre tecnologia e inovação, acompanhando a evolução da internet e o impacto das novas tecnologias na forma como vivemos, trabalhamos e pensamos.
Nenhum comentário