Esta IA detecta células sanguíneas perigosas que os médicos muitas vezes não percebem

O sistema, conhecido como CytoDiffusion, conta com IA generativa, o mesmo tipo de tecnologia usada em geradores de imagens como o DALL-E, para analisar detalhadamente a aparência das células sanguíneas. Em vez de focar 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 equipe por trás do CytoDiffusion demonstrou que sua abordagem pode reconhecer toda a gama de aparências normais das células sanguíneas e sinalizar de forma confiável células raras ou incomuns que podem sinalizar doenças. O trabalho foi liderado por pesquisadores da Universidade de Cambridge, da University College London e da Queen Mary University of London, e as descobertas foram publicadas na Nature Machine Intelligence.

Identificar pequenas diferenças no tamanho, forma e estrutura 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 muitos tipos diferentes de células sanguíneas que têm propriedades e funções diferentes em nosso corpo”, disse Simon Deltadahl, do Departamento de Matemática Aplicada e Física Teórica de Cambridge, o primeiro autor do estudo. “Os glóbulos brancos são especializados no combate a infecções, por exemplo. Mas saber a aparência de uma célula sanguínea incomum ou doente sob um microscópio é uma parte importante do diagnóstico de muitas doenças.”

Manuseio da escala de análise de sangue

Um esfregaço de sangue padrão pode conter milhares de células individuais, muito mais do que uma pessoa pode realisticamente examinar uma por uma. “Os humanos não conseguem observar todas as células num esfregaço – simplesmente não é possível”, disse Deltadahl. “Nosso modelo pode automatizar esse processo, fazer a triagem dos casos de rotina e destacar qualquer coisa incomum para análise humana”.

Este desafio é familiar aos médicos. “O desafio clínico que enfrentei como médico hematologista júnior foi que, após um dia de trabalho, eu enfrentaria muitos esfregaços de sangue para analisar”, disse o co-autor sênior Dr. Suthesh Sivapalaratnam, da Queen Mary University of London. “Enquanto os analisava tarde da noite, fiquei convencido de que a IA faria um trabalho melhor do que eu.”

Treinamento em um conjunto de dados sem precedentes

Para construir o CytoDiffusion, os pesquisadores treinaram-no 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 simplesmente aprender como separar as células em categorias fixas, a IA modela toda a gama de como as células sanguíneas podem aparecer. Isto torna-o mais resistente às diferenças entre hospitais, microscópios e técnicas de coloração, ao mesmo tempo que melhora a sua capacidade de detectar células raras ou anormais.

Detectando leucemia com maior confiança

Quando testado, o CytoDiffusion identificou células anormais associadas à leucemia com sensibilidade muito maior do que os sistemas existentes. Ele também teve um desempenho tão bom ou melhor que os modelos líderes atuais, mesmo quando treinado com muito menos exemplos, e foi capaz de quantificar o quão confiante estava em suas próprias previsões.

“Quando testamos a sua precisão, o sistema era ligeiramente melhor que os humanos”, disse Deltadahl. “Mas o que realmente se destacou foi saber quando era incerto. Nosso modelo nunca diria que era certo e depois estaria errado, mas isso é algo que os humanos às vezes fazem.”

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 nosso método em relação a muitos dos desafios vistos na IA do mundo real, como imagens nunca antes vistas, imagens capturadas por diferentes máquinas e o grau de incerteza nos rótulos”, disse ele. “Esta estrutura oferece uma visão multifacetada do desempenho do modelo que acreditamos será benéfica para os pesquisadores.”

Quando as imagens de IA enganam os especialistas humanos

A equipe também descobriu que a CytoDiffusion pode gerar imagens sintéticas de células sanguíneas que parecem indistinguíveis das reais. Num “teste de Turing” envolvendo dez hematologistas experientes, os especialistas não conseguiram distinguir imagens reais daquelas criadas pela IA.

“Isso realmente me surpreendeu”, disse Deltadahl. “Essas são pessoas que ficam olhando para as células sanguíneas o dia todo e nem elas sabem dizer.”

Abrindo dados para a 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 tornar este recurso aberto, esperamos capacitar investigadores de todo o mundo para construir e testar novos modelos de IA, democratizar o acesso a dados médicos de alta qualidade e, em última análise, contribuir para um melhor atendimento ao paciente”, disse Deltadahl.

Apoiando, não substituindo, os médicos

Apesar dos fortes resultados, os pesquisadores enfatizam que o CytoDiffusion não pretende substituir médicos treinados. Em vez disso, ele foi projetado para ajudar os médicos, sinalizando rapidamente os casos preocupantes e processando automaticamente amostras de rotina.

“O verdadeiro valor da IA ​​em saúde não reside na aproximação da experiência humana a um custo mais baixo, mas em permitir maior poder diagnóstico, prognóstico e prescritivo do que os especialistas ou modelos estatísticos simples podem alcançar”, disse o co-autor sênior Professor Parashkev Nachev da UCL. “Nosso trabalho sugere que a IA generativa será central para esta missão, transformando não apenas a fidelidade dos sistemas de apoio clínico, mas também a sua visão 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 nisso do que nós.”

A equipe observa que são necessárias pesquisas adicionais para aumentar a velocidade do sistema e validar seu desempenho 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 Centre e NHS Blood and Transplant. O trabalho foi realizado pelo grupo de trabalho Imaging do BloodCounts! consórcio, que visa melhorar o diagnóstico de sangue em todo o mundo usando IA. Simon Deltadahl é membro do Lucy Cavendish College, Cambridge.