O melanoma éde longe a forma mais letal de câncer de pele, matando mais de 7.000 pessoas nos Estados Unidos apenas em 2019. A detecção precoce da doença reduz drasticamente o risco de morte e os custos do tratamento, mas o rastreamento generalizado do melanoma não évia¡vel atualmente. Existem cerca de 12.000 dermatologistas em atividade nos Estados Unidos, e cada um deles precisaria ver 27.416 pacientes por ano para examinar toda a população em busca de lesões pigmentadas suspeitas (SPLs) que podem indicar ca¢ncer.

Sistemas de diagnóstico auxiliado por computador (CAD) foram desenvolvidos nos últimos anos para tentar resolver esse problema, analisando imagens de lesões cuta¢neas e identificando automaticamente os SPLs, mas atéagora não conseguiram impactar significativamente o diagnóstico de melanoma. Esses algoritmos CAD são treinados para avaliar cada lesão de pele individualmente quanto a caracteri­sticas suspeitas, mas os dermatologistas comparam maºltiplas lesões de um paciente individual para determinar se são cancerosas - um manãtodo comumente chamado de critanãrio do “patinho feio”. Nenhum sistema CAD em dermatologia, atéo momento, foi projetado para replicar esse processo de diagnóstico.

Agora, esse descuido foi corrigido graças a um novo sistema CAD para lesões de pele com base em redes neurais profundas convolucionais (CDNNs) desenvolvido por pesquisadores do Instituto Wyss de Engenharia Biologicamente Inspirada da Universidade de Harvard e do Instituto de Tecnologia de Massachusetts (MIT). O novo sistema distinguiu com sucesso SPLs de lesões não suspeitas em fotos de pele de pacientes com aproximadamente 90% de precisão e, pela primeira vez, estabeleceu uma manãtrica de "patinho feio" capaz de corresponder ao consenso de três dermatologistas 88% das vezes.

“Na³s essencialmente fornecemos um proxy matema¡tico bem definido para a intuição profunda em que um dermatologista se baseia para determinar se uma lesão de pele ésuspeita o suficiente para justificar um exame mais detalhado”, disse o primeiro autor do estudo, Luis Soenksen , Ph.D., pa³s-doutorado em o Wyss Institute, que também éVenture Builder no MIT. “Essa inovação permite que as fotos da pele dos pacientes sejam analisadas rapidamente para identificar lesões que devem ser avaliadas por um dermatologista, permitindo o rastreamento eficaz do melanoma emnívelpopulacional.”

A tecnologia édescrita na Science Translational Medicine , e o ca³digo-fonte do CDNN estãodispona­vel abertamente no GitHub .

O melanoma épessoal de Soenksen, que viu vários amigos pra³ximos e familiares sofrerem da doena§a. “Fiquei pasmo ao ver que as pessoas podem morrer de melanoma simplesmente porque os médicos e pacientes da atenção prima¡ria atualmente não tem as ferramentas para encontrar os“ estranhos ”com eficiência. Decidi enfrentar esse problema aproveitando muitas das técnicas que aprendi em meu trabalho em inteligaªncia artificial no Wyss e no MIT ”, disse ele.

Soenksen e seus colaboradores descobriram que todos os sistemas CAD existentes criados para identificar SPLs analisavam apenas as lesões individualmente, omitindo completamente os critanãrios do patinho feio que os dermatologistas usam para comparar várias manchas de um paciente durante um exame. Então eles decidiram construir o seu pra³prio.

Para garantir que seu sistema pudesse ser usado por pessoas sem treinamento especializado em dermatologia, a equipe criou um banco de dados de mais de 33.000 imagens de "amplo campo" da pele dos pacientes que inclua­am fundos e outros objetos não-cuta¢neos, para que o CDNN pudesse para usar fotos tiradas de ca¢meras do consumidor para diagnóstico. As imagens continham SPLs e lesões cuta¢neas não suspeitas que foram marcadas e confirmadas por um consenso de três dermatologistas certificados. Apa³s o treinamento no banco de dados e o subsequente refinamento e teste, o sistema foi capaz de distinguir entre lesões suspeitas e não suspeitas com sensibilidade de 90,3% e especificidade de 89,9%, melhorando em relação aos sistemas previamente publicados.

Mas esse sistema de linha de base ainda estava analisando as caracteri­sticas de lesões individuais, ao invanãs de caracteri­sticas em lesões maºltiplas como os dermatologistas fazem. Para adicionar os critanãrios do patinho feio em seu modelo, a equipe usou os recursos extraa­dos em um esta¡gio secunda¡rio para criar um "mapa" 3D de todas as lesões em uma determinada imagem e calculou o quanto longe estavam as caracteri­sticas "ta­picas" de cada lesão . Quanto mais “estranha” uma determinada lesão era comparada com as outras em uma imagem, mais longe ela estava do centro do espaço 3D. Essa distância éa primeira definição quantifica¡vel dos critanãrios do patinho feio e serve como um portal para alavancar redes de aprendizagem profunda para superar a tarefa desafiadora e demorada de identificar e examinar as diferenças entre todas as lesões pigmentadas em um aºnico paciente.

Seu DCNN ainda tinha que passar por um teste final: dermatologistas respiradores com desempenho tão bom quanto vivos, na tarefa de identificar NPS a partir de imagens da pele dos pacientes. Traªs dermatologistas examinaram 135 fotos de campo amplo de 68 pacientes e atribua­ram a cada lesão uma pontuação de "estranheza" que indicava sua aparaªncia preocupante. As mesmas imagens foram analisadas e pontuadas pelo algoritmo. Quando as avaliações foram comparadas, os pesquisadores descobriram que o algoritmo concordava com o consenso dos dermatologistas em 88% das vezes e com os dermatologistas individuais em 86% das vezes.

“Este altonívelde consenso entre inteligaªncia artificial e médicos humanos éum avanço importante neste campo, porque a concorda¢ncia entre os dermatologistas énormalmente muito alta, cerca de 90%”, disse o co-autor Jim Collins , Ph.D., Membro do corpo docente do Wyss Institute e co-lider de sua Predictive BioAnalytics Initiative, que também éProfessor Termeer de Engenharia Manãdica e Ciência no MIT. “Essencialmente, conseguimos atingir uma precisão deníveldermatologista no diagnóstico de lesões potenciais de câncer de pele a partir de imagens que podem ser obtidas por qualquer pessoa com um smartphone, o que abre um enorme potencial para encontrar e tratar o melanoma mais cedo.”

Reconhecendo que tal tecnologia deve ser disponibilizada para o maior número possí­vel de pessoas para o ma¡ximo benefa­cio, a equipe tornou seu algoritmo de ca³digo aberto no GitHub . Eles esperam fazer parceria com centros médicos para lana§ar ensaios clínicos demonstrando ainda mais a eficácia de seu sistema e com a indústria para transforma¡-lo em um produto que possa ser usado por prestadores de cuidados prima¡rios em todo o mundo. Eles também reconhecem que, para ser universalmente útil, seu algoritmo precisa ser capaz de funcionar igualmente bem em todo o espectro de tons de pele humana, que planejam incorporar no desenvolvimento futuro.

“Permitir que nossos cientistas desenvolvam suas paixaµes e visaµes éa chave para o sucesso do Wyss Institute, e émaravilhoso ver esse avanço que pode impactar a todos nosde uma forma tão significativa emergir de uma colaboração com nossa recanãm-formada Predictive BioAnalytics Initiative, ”Disse o Diretor Fundador da Wyss, Don Ingber , MD, Ph.D., que também éProfessor Judah Folkman de Biologia Vascular na Harvard Medical School e Boston Children's Hospital, e Professor de Bioengenharia na Harvard John A. Paulson School of Engineering and Applied Ciências.

Outros autores do artigo incluem Regina Barzilay, Martha L. Gray, Timothy Kassis, Susan T. Conover, Berta Marti-Fuster, Judith S. Birkenfeld, Jason Tucker-Schwartz e Asif Naseem do MIT, Robert R. Stavert do Beth Israel Deaconess Medical Center, Caroline C. Kim do Tufts Medical Center, Maryanne M. Senna do Massachusetts General Hospital e JoséAvilanãs-Izquierdo do Hospital General Universitario Gregorio Maraa±a³n.

Esta pesquisa foi apoiada pela Cla­nica Abdul Latif Jameel de Aprendizado de Ma¡quina em Saúde, a Consejera­a de Educacia³n, Juventud e Deportes de la Comunidad de Madrid, por meio do Consãorcio Madrid-MIT M + Visia³n e do Programa Pessoas do Sanãtimo Programa-Quadro da Unia£o Europeia, a bolsa CONACyT do Manãxico 342369/40897, e a bolsa de treinamento DOE dos EUA DE-SC0008430.