O melanoma éum tipo de tumor maligno responsável por mais de 70% de todas as mortes relacionadas ao câncer de pele em todo o mundo. Durante anos, os médicos confiaram na inspeção visual para identificar lesões pigmentadas suspeitas (SPLs), que podem ser uma indicação de câncer de pele. Essa identificação em esta¡gio inicial de SPLs em ambientes de cuidados prima¡rios pode melhorar o prognóstico do melanoma e reduzir significativamente o custo do tratamento.

O desafio éque encontrar e priorizar SPLs rapidamente édifa­cil, devido ao grande volume de lesões pigmentadas que muitas vezes precisam ser avaliadas para bia³psias potenciais. Agora, pesquisadores do MIT e de outros lugares desenvolveram um novo canal de inteligaªncia artificial, usando redes neurais convolucionais profundas (DCNNs) e aplicando-as para analisar SPLs por meio do uso de fotografia de campo amplo comum na maioria dos smartphones e ca¢meras pessoais.

DCNNs são redes neurais que podem ser usadas para classificar (ou “nomear”) imagens para agrupa¡-las (por exemplo, ao realizar uma pesquisa de fotos). Esses algoritmos de aprendizado de ma¡quina pertencem ao subconjunto de aprendizado profundo.

Usando ca¢meras para tirar fotos de campo amplo de grandes áreas do corpo dos pacientes, o programa usa DCNNs para identificar e rastrear de forma rápida e eficaz o melanoma em esta¡gio inicial, de acordo com Luis R. Soenksen, pa³s-doutorado e especialista em dispositivos médicos que atualmente atua como O primeiro Venture Builder do MIT em Inteligaªncia Artificial e Saúde. Soenksen conduziu a pesquisa com pesquisadores do MIT, incluindo membros do corpo docente do MIT Institute for Medical Engineering and Science (IMES), Martha J. Gray, W. Kieckhefer Professora de Ciências e Tecnologia da Saúde, professora de engenharia elanãtrica e ciência da computação; e James J. Collins, Termeer Professor de Engenharia Manãdica e Ciência e Engenharia Biola³gica.

Soenksen, que éo primeiro autor do artigo recente, “ Using Deep Learning for Dermatologist-level Detection of Suspicious Pigmented Skin Lesions from Wide-field Images ,” publicado na Science Translational Medicine, explica que “a detecção precoce de SPLs pode salvar vidas; no entanto, a capacidade atual dos sistemas médicos de fornecer exames de pele abrangentes em grande escala ainda estãofaltando. ”

O artigo descreve o desenvolvimento de um sistema de análise de SPL usando DCNNs para identificar de forma mais rápida e eficiente as lesões de pele que requerem mais investigação, exames que podem ser feitos durante as visitas de rotina dos cuidados prima¡rios ou mesmo pelos pra³prios pacientes. O sistema utilizou DCNNs para otimizar a identificação e classificação de SPLs em imagens de campo amplo.

Usando IA, os pesquisadores treinaram o sistema usando 20.388 imagens de campo amplo de 133 pacientes do Hospital Gregorio Maraa±a³n em Madrid, bem como imagens disponí­veis publicamente. As imagens foram tiradas com uma variedade de ca¢meras comuns que estãoprontamente disponí­veis para os consumidores. Os dermatologistas que trabalharam com os pesquisadores classificaram visualmente as lesões nas imagens para comparação. Eles descobriram que o sistema alcana§ou mais de 90,3 por cento de sensibilidade ao distinguir SPLs de lesões não suspeitas, pele e fundos complexos, evitando a necessidade de imagens de lesões individuais inca´modas e demoradas. Além disso, o artigo apresenta um novo manãtodo para extrair saliaªncia de lesão intra-paciente (critanãrios de patinho feio,

“Nossa pesquisa sugere que os sistemas que alavancam a visão computacional e as redes neurais profundas, quantificando esses sinais comuns, podem alcana§ar uma precisão compara¡vel aos dermatologistas especialistas”, explica Soenksen. “Esperamos que nossa pesquisa revitalize o desejo de oferecer exames dermatola³gicos mais eficientes em ambientes de cuidados prima¡rios para conduzir encaminhamentos adequados.”

Isso permitiria avaliações mais rápidas e precisas de SPLS e poderia levar a um tratamento precoce do melanoma, de acordo com os pesquisadores.

Gray, que éo autor saªnior do artigo, explica como este importante projeto se desenvolveu: "Este trabalho se originou como um novo projeto desenvolvido por bolsistas (cinco dos co-autores) no programa MIT Catalyst, um programa projetado para nuclear projetos que resolvem necessidades cla­nicas urgentes. Este trabalho exemplifica a visão do devoto HST / IMES (em que a tradição Catalyst foi fundada) de alavancar a ciência para o avanço da saúde humana. ” Este trabalho foi apoiado pela Cla­nica Abdul Latif Jameel de Aprendizado de Ma¡quina em Saúde e pela Consejera­a de Educacia³n, Juventud e Deportes de la Comunidad de Madrid, por meio do Consãorcio Madrid-MIT M + Visia³n.