Esta IA detecta células sanguíneas perigosas que os médicos costumam ignorar

O sistema, conhecido como CytoDiffusion, utiliza inteligência artificial generativa, a mesma tecnologia empregada em geradores de imagem como o DALL-E, para analisar a aparência das células sanguíneas em detalhes. Em vez de se concentrar apenas em padrões óbvios, ele estuda variações sutis na aparência das células sob o microscópio.

Superando a Reconhecimento de Padrões

Muitos sistemas de IA médica existentes são treinados para classificar imagens em categorias predefinidas. Em contraste, a equipe por trás do CytoDiffusion demonstrou que sua abordagem pode reconhecer a gama total de aparências normais das células sanguíneas e sinalizar com precisão células raras ou incomuns que possam indicar doenças. O trabalho foi liderado por pesquisadores da Universidade de Cambridge, University College London e Queen Mary University of London, com os achados publicados na Nature Machine Intelligence.

Identificar pequenas diferenças no tamanho, forma e estrutura das células sanguíneas é essencial para diagnosticar muitos distúrbios sanguíneos. No entanto, aprender a fazer isso corretamente pode levar anos de experiência, e até 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, se especializam em combater infecções. Mas saber como uma célula sanguínea incomum ou doente se parece sob um microscópio é uma parte importante do diagnóstico de muitas doenças.”

Gerenciando a Escala da Análise Sanguínea

Um esfregaço de sangue padrão pode conter milhares de células individuais, muito mais do que uma pessoa pode realisticamente examinar uma a uma. “Os humanos não conseguem olhar para todas as células em um esfregaço – isso simplesmente não é possível,” disse Deltadahl. “Nosso modelo pode automatizar esse processo, triando os casos rotineiros e destacando qualquer coisa incomum para revisão humana.”

Esse desafio é familiar para os clínicos. “O desafio clínico que enfrentei como um médico de hematologia júnior era que, após um dia de trabalho, eu me deparava com muitos filmes de sangue para analisar,” disse o co-primeiro autor Dr. Suthesh Sivapalaratnam, da Queen Mary University of London. “Enquanto os analisava nas últimas horas, 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 de sangue coletadas no Hospital Addenbrooke em Cambridge. O conjunto de dados, descrito como o maior de seu tipo, inclui tipos comuns de células sanguíneas, exemplos raros e características que frequentemente confundem sistemas automatizados.

Em vez de simplesmente aprender a separá-las em categorias fixas, a IA modela toda a gama de como as células sanguíneas podem aparecer. Isso a torna mais resiliente a diferenças entre hospitais, microscópios e técnicas de coloração, ao mesmo tempo em que melhora 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. O desempenho foi igual ou melhor do que os modelos líderes atuais, mesmo quando treinado com muito menos exemplos, e conseguiu quantificar o quão confiante estava em suas próprias previsões.

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

O co-primeiro autor Professor Michael Roberts, do Departamento de Matemática Aplicada e Física Teórica de Cambridge, disse que o sistema foi avaliado em relação a desafios do mundo real que a IA médica enfrenta. “Avalíamos 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 foram melhores do que uma chance aleatória ao tentar distinguir imagens reais das criadas pela IA.

“Isso realmente me surpreendeu,” disse Deltadahl. “Essas são pessoas que olham para células sanguíneas o dia todo, e mesmo assim não conseguiram distinguir.”

Abertura de Dados para a Comunidade Global de Pesquisa

Como parte do projeto, os pesquisadores estão liberando o que descrevem como a maior coleção de imagens de esfregaços de sangue periférico disponíveis publicamente no 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.

Apoiando, Não Substituindo, Clínicos

Apesar dos resultados promissores, os pesquisadores enfatizam que o CytoDiffusion não foi projetado para substituir médicos treinados. Em vez disso, ele foi desenvolvido para auxiliar 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 permitir um maior poder diagnóstico, prognóstico e prescritivo do que tanto especialistas quanto modelos estatísticos simples podem alcançar,” afirmou o co-primeiro autor Professor Parashkev Nachev, da UCL. “Nosso trabalho sugere que a IA generativa será central para essa missão, transformando não apenas a fidelidade dos sistemas de suporte clínico, mas também sua compreensão sobre os limites de seu próprio conhecimento. Essa ‘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 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 foi apoiada pelo 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 de Imagem dentro do consórcio BloodCounts!, que visa melhorar os diagnósticos sanguíneos em todo o mundo com o uso de IA. Simon Deltadahl é membro do Lucy Cavendish College, Cambridge.