Um novo sistema de inteligência artificial que examina a forma e a estrutura das células sanguíneas pode melhorar significativamente o diagnóstico de doenças como leucemia. Os pesquisadores afirmam que a ferramenta pode identificar células anormais com maior precisão e consistência do que especialistas humanos, potencialmente reduzindo diagnósticos perdidos ou incertos.
O sistema, conhecido como CytoDiffusion, utiliza IA generativa, o mesmo tipo de tecnologia usada em geradores de imagens como o DALL-E, para analisar em detalhes a aparência das células sanguíneas. Em vez de focar apenas em padrões óbvios, ele estuda variações sutis na aparência das células sob um microscópio.
Superando o 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 com confiabilidade células raras ou incomuns que podem indicar doença. O trabalho foi liderado 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 estrutura das células sanguíneas é central para diagnosticar muitos distúrbios sanguíneos. No entanto, aprender a fazer isso bem pode levar anos de experiência, e mesmo médicos altamente treinados podem discordar ao revisar casos complexos.
“Temos muitos tipos diferentes de células sanguíneas que possuem propriedades e funções distintas em nosso corpo,” disse Simon Deltadahl, do Departamento de Matemática Aplicada e Física Teórica de Cambridge, primeiro autor do estudo. “As células brancas do sangue, por exemplo, especializam-se na luta contra infecções. Mas saber como uma célula sanguínea incomum ou doente se parece sob um microscópio é uma parte importante do diagnóstico de muitas doenças.”
Lidando com a Escala da Análise Sanguínea
Um esfregaço sanguíneo padrão pode conter milhares de células individuais, muito mais do que uma pessoa pode realisticamente examinar uma a uma. “Os humanos não podem olhar para todas as células em um esfregaço – isso simplesmente não é possível,” disse Deltadahl. “Nosso modelo pode automatizar esse processo, triagem os casos rotineiros e destacar qualquer coisa incomum para revisão humana.”
Esse desafio é familiar aos clínicos. “O desafio clínico que enfrentei como médico hematologista júnior era que, após um dia de trabalho, eu enfrentaria muitos filmes de sangue para analisar,” disse o co-autores sênior, Dr. Suthesh Sivapalaratnam da Queen Mary University of London. “Enquanto os analisava nas horas tardias, 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 o treinaram com mais de meio milhão de imagens de esfregaços sanguíneos coletadas no Hospital Addenbrooke em Cambridge. O conjunto de dados, descrito como o maior do tipo, inclui tipos de células sanguíneas comuns, exemplos raros e características que frequentemente confundem sistemas automatizados.
Em vez de apenas aprender a separar células em categorias fixas, a IA modela toda a gama de como as células sanguíneas podem aparecer. Isso a torna mais resistente a diferenças entre hospitais, microscópios e técnicas de coloração, além de melhorar sua capacidade de detectar células raras ou anormais.
Detectando Leucemia com Maior Confiança
Quando testado, o CytoDiffusion identificou células anormais associadas à leucemia com muito mais sensibilidade do que os sistemas existentes. Ele também se saiu tão bem ou melhor do que os modelos líderes atuais, mesmo quando treinado com um número muito menor de exemplos, e foi capaz de quantificar o quão confiante estava em suas próprias previsões.
“Quando testamos sua precisão, o sistema foi ligeiramente melhor do que humanos,” disse Deltadahl. “Mas onde ele realmente se destacou foi em saber quando estava incerto. Nosso modelo nunca diria que estava certo e então estaria errado, mas isso é algo que os humanos às vezes fazem.”
O co-autores sênior, Professor Michael Roberts do Departamento de Matemática Aplicada e Física Teórica de Cambridge, disse que o sistema foi avaliado contra desafios do mundo real enfrentados pela IA médica. “Avalizamos nosso método contra muitos dos desafios vistos na IA do mundo real, como imagens nunca antes vistas, imagens capturadas por diferentes máquinas e o grau de incerteza nas etiquetas,” afirmou. “Essa estrutura fornece uma visão multifacetada do desempenho do modelo, que acreditamos ser benéfica para os pesquisadores.”
Quando Imagens de IA Enganam Especialistas Humanos
A equipe também descobriu que o CytoDiffusion pode gerar imagens sintéticas de células sanguíneas que parecem indistinguíveis das reais. Em um ‘teste de Turing’ envolvendo dez hematologistas experientes, os especialistas não estavam melhores do que a chance aleatória em diferenciar imagens reais daquelas criadas pela IA.
“Isso realmente me surpreendeu,” disse Deltadahl. “Essas são pessoas que observam células sanguíneas o dia todo, e mesmo assim não conseguiam dizer.”
Abertura de Dados para a Comunidade Global de Pesquisa
Como parte do projeto, os pesquisadores estão liberando o que descrevem como a maior coleção pública de imagens de esfregaços de sangue periférico do mundo, totalizando mais de meio milhão de amostras.
“Ao tornar esse recurso aberto, esperamos capacitar pesquisadores em todo o mundo a 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.
Apoio, Não Substituição, aos Clinicos
Apesar dos resultados robustos, os pesquisadores enfatizam que o CytoDiffusion não destina-se a substituir médicos treinados. Em vez disso, ele foi projetado para ajudar clínicos, sinalizando rapidamente casos preocupantes e processando automaticamente amostras rotineiras.
“O verdadeiro valor da IA na saúde não reside em aproximar a experiência humana a um custo menor, mas em possibilitar um maior poder de diagnóstico, prognóstico e prescritivo do que tanto especialistas quanto modelos estatísticos simples podem alcançar,” disse o co-autores sênior, Professor Parashkev Nachev da UCL. “Nosso trabalho sugere que a IA generativa será central nessa missão, transformando não apenas a fidelidade dos sistemas de apoio clínico, mas sua compreensão sobre os limites de seu próprio conhecimento. Essa ‘consciência metacognitiva’ – saber o que não se sabe – é crítica para a tomada de decisão clínica, e aqui mostramos que máquinas podem ser melhores nisso do que nós.”
A equipe observa que pesquisas adicionais são necessárias para aumentar a velocidade do sistema e validar seu desempenho em populações de pacientes mais diversas para garantir precisão e equidade.
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 em Imagem dentro do consórcio BloodCounts!, que visa melhorar o diagnóstico sanguíneo mundial usando IA. Simon Deltadahl é membro do Lucy Cavendish College, Cambridge.
