Sistema de imagem de smartphone mostra-se promissor para detecção precoce de câncer bucal em clínicas odontológicas

O cancro oral continua a ser um grave problema de saúde, muitas vezes diagnosticado demasiado tarde para um tratamento eficaz, embora a boca seja facilmente acessível para exames de rotina. Dentistas e higienistas dentais são frequentemente os primeiros a detectar lesões suspeitas, mas muitos não possuem treinamento especializado para distinguir entre condições benignas e potencialmente malignas.

Para colmatar esta lacuna, investigadores liderados por Rebecca Richards-Kortum, da Rice University, desenvolveram e testaram um sistema de imagem de baixo custo, baseado em smartphone, chamado mDOC (mobile Detection of Oral Cancer). Seu recente estudo, publicado em Descoberta Biofotônicaavalia até que ponto esse sistema pode ajudar os profissionais de odontologia a decidir quando encaminhar pacientes para especialistas em câncer bucal.

O dispositivo mDOC combina luz branca e imagens de autofluorescência com aprendizado de máquina para avaliar lesões orais. A imagem de autofluorescência usa luz azul para detectar alterações na fluorescência do tecido, que podem sinalizar crescimento anormal. No entanto, este método por si só pode ser enganador, uma vez que condições benignas como a inflamação também reduzem a fluorescência.

Para melhorar a precisão, o sistema mDOC utiliza um algoritmo de aprendizagem profunda que analisa dados de imagem e fatores de risco do paciente – como idade, hábitos de fumar e localização anatômica – para fazer recomendações de encaminhamento.

Neste estudo, os pesquisadores coletaram dados de 50 pacientes em duas clínicas odontológicas comunitárias em Houston, Texas. Cada paciente foi submetido a imagens de até cinco locais orais usando o dispositivo mDOC. As imagens foram revisadas por médicos especialistas e suas decisões de encaminhamento serviram como base para treinar e testar o algoritmo. A equipe utilizou um método de treinamento de ensaio, combinando novos dados com imagens previamente coletadas de populações saudáveis ​​e de alta prevalência para melhorar o desempenho do modelo em ambientes odontológicos típicos, onde lesões suspeitas são raras.

O modelo final foi testado num conjunto de dados de validação representando uma população de baixa prevalência. Atingiu área sob a curva ROC (AUC-ROC) de 0,778, com sensibilidade de 60% e especificidade de 88%. Isto significa que o sistema identificou corretamente 60% dos locais recomendados pelos especialistas para encaminhamento, evitando ao mesmo tempo encaminhamentos desnecessários na maioria dos casos. Notavelmente, o algoritmo mDOC superou os prestadores de serviços odontológicos, que tiveram 0% de sensibilidade e 100% de especificidade – perdendo todos os casos que exigiam encaminhamento.

Embora o sistema tenha classificado incorretamente dois dos cinco locais de referência, essas lesões já haviam sido resolvidas no momento da visita ao especialista, sugerindo que o mDOC pode ter previsto corretamente que nenhuma avaliação adicional era necessária. No entanto, o algoritmo também produziu 21 falsos positivos, indicando espaço para melhorias na especificidade.

O estudo destaca o potencial do mDOC para apoiar decisões de detecção precoce e encaminhamento em clínicas odontológicas, especialmente onde o acesso a especialistas é limitado. Com um tempo médio de geração de imagens de apenas 3,5 minutos, o sistema se adapta facilmente aos fluxos de trabalho odontológicos de rotina. Melhorias futuras podem incluir a coleta de um histórico mais detalhado do paciente e o refinamento do algoritmo para reduzir falsos positivos.