Ferramenta de inteligência artificial desenvolvida para ajudar a fazer diagnósticos em tempo real durante a cirurgia

Quando um paciente é submetido a uma operação cirúrgica para remover um tumor ou tratar uma doença, o curso da cirurgia geralmente não é predeterminado. Para decidir quanto tecido precisa ser removido, os cirurgiões devem saber mais sobre a condição que estão tratando, incluindo as margens de um tumor, seu estágio e se uma lesão é maligna ou benigna – determinações que geralmente dependem da coleta, análise e diagnóstico de uma doença enquanto o paciente está na mesa de operação.

Quando os cirurgiões enviam amostras para um patologista para exame, tanto a velocidade quanto a precisão são essenciais. A abordagem padrão-ouro atual para examinar tecidos geralmente leva muito tempo e uma abordagem mais rápida, que envolve o congelamento de tecidos, pode introduzir artefatos que podem complicar o diagnóstico.

Um novo estudo realizado por investigadores do Mahmood Lab no Brigham and Women’s Hospital, membro fundador do sistema de saúde Mass General Brigham, e colaboradores da Bogazici University desenvolveu uma maneira melhor; o método aproveita a inteligência artificial para traduzir entre seções congeladas e a abordagem padrão-ouro, melhorando a qualidade das imagens para aumentar a precisão de diagnósticos rápidos. As descobertas são publicadas em Natureza Engenharia Biomédica.

“Estamos usando o poder de inteligência artificial para resolver um problema antigo na interseção de cirurgia e patologia”, disse o autor correspondente Faisal Mahmood, Ph.D., da Divisão de Patologia Computacional da BWH. “Fazer um diagnóstico rápido a partir de amostras de tecido congelado é desafiador e requer especialistas especializados treinamento, mas esse tipo de diagnóstico é uma etapa crítica no cuidado de pacientes durante a cirurgia.”

Para fazer o diagnóstico final, os patologistas usam fixado em formalina e embebido em parafina (FFPE) amostras de tecido—este método preserva o tecido de forma a produzir imagens de alta qualidade, mas o processo é trabalhoso e normalmente leva de 12 a 48 horas. Para um diagnóstico rápido, os patologistas usam uma abordagem conhecida como criossecção, que envolve o congelamento rápido do tecido, o corte de seções e a observação dessas fatias finas sob um microscópio. O criosseccionamento leva minutos em vez de horas, mas pode distorcer detalhes celulares e comprometer ou rasgar tecidos delicados.

Mahmood e os coautores desenvolveram um modelo de aprendizado profundo que pode ser usado para traduzir entre seções congeladas e FFPE mais comumente usado lenço de papel. Em seu artigo, a equipe demonstrou que o método pode ser usado para subtipos de diferentes tipos de câncer, incluindo glioma e câncer de pulmão de células não pequenas.

A equipe validou suas descobertas recrutando patologistas para um estudo de leitor no qual eles foram solicitados a fazer um diagnóstico a partir de imagens que passaram pelo método de IA e imagens tradicionais de criosecção. O método de IA não apenas melhorou a qualidade da imagem, mas também melhorou a precisão do diagnóstico entre os especialistas. O algoritmo também foi testado em dados coletados independentemente da Turquia.

Os autores observam que, no futuro, estudos clínicos prospectivos devem ser conduzidos para validar o método de IA e determinar se ele pode contribuir para a precisão diagnóstica e a tomada de decisões cirúrgicas em ambientes hospitalares reais.

“Nosso trabalho mostra que a IA tem o potencial de tornar um diagnóstico crítico e sensível ao tempo mais fácil e mais acessível aos patologistas”, disse Mahmood. “E poderia ser aplicado a qualquer tipo de cirurgia de câncer. Isso abre muitas possibilidades para melhorar diagnóstico e assistência ao paciente.”