Um novo sistema de inteligência artificial que examina a forma e a estrutura das células sanguíneas pode melhorar significativamente o diagnóstico de doenças como a leucemia. 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 inteligência artificial generativa, o mesmo tipo de tecnologia empregada em geradores de imagens como o DALL-E, para analisar detalhadamente a aparência das células sanguíneas. Em vez de se concentrar apenas em padrões óbvios, ele estuda variações sutis na aparência das células sob um microscópio.
Superando o Reconhecimento de Padrões
Muitos dos atuais ferramentas de IA médica são treinadas para classificar imagens em categorias predefinidas. Em contraste, a equipe por trás do CytoDiffusion demonstrou que sua abordagem pode reconhecer a gama completa de aparências normais das células sanguíneas e sinalizar de forma confiável células raras ou incomuns que podem indicar doenças. 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 o diagnóstico de muitos distúrbios sanguíneos. No entanto, aprender a fazer isso com precisão 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 especializam-se em combater infecções, por exemplo. Mas saber como uma célula sanguínea incomum ou doente parece sob o microscópio é uma parte importante do diagnóstico de muitas doenças.”
Gerenciando 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 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 médico hematologista júnior era que, após um dia de trabalho, eu enfrentava muitos filmes de sangue para analisar,” disse o coautor sênior Dr. Suthesh Sivapalaratnam, da Queen Mary University of London. “Enquanto os analisava nas horas tardias, eu me convenci de que a IA faria um trabalho melhor do que eu.”
Treinando 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 de seu tipo, inclui tipos comuns de células sanguíneas, exemplos raros e características que frequentemente confundem sistemas automatizados.
Em vez de simplesmente aprender a separar as células em categorias fixas, a IA modela toda a gama de como as células sanguíneas podem aparecer. Isso torna-a mais resistente às 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 uma sensibilidade muito maior do que os sistemas existentes. Ele também teve um desempenho igual ou melhor do que os modelos líderes atuais, mesmo quando treinado com muito menos exemplos, e foi capaz de quantificar sua confiança 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 estava certo e estaria errado, mas isso é algo que os humanos às vezes fazem.”
O coautor sênior Professor Michael Roberts, do Departamento de Matemática Aplicada e Física Teórica de Cambridge, disse que o sistema foi avaliado em relação a desafios reais enfrentados pela IA médica. “Nós avaliamos nosso método em relação a 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 se saíram melhor que o acaso ao tentar diferenciar imagens reais daquelas criadas pela IA.
“Isso realmente me surpreendeu,” disse Deltadahl. “Essas são pessoas que olham para células sanguíneas o dia todo, e mesmo elas não conseguiram perceber.”
Abertura de Dados para a Comunidade de Pesquisa Global
Como parte do projeto, os pesquisadores estão liberando o que descrevem como a maior coleção do mundo de imagens de esfregaços sanguíneos periféricos, totalizando mais de meio milhão de amostras.
“Ao tornar este 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.
Suportando, Não Substituindo, Clinicos
Apesar dos resultados positivos, os pesquisadores enfatizam que o CytoDiffusion não se destina a substituir médicos treinados. Em vez disso, foi projetado para ajudar clínicos, rapidamente sinalizando casos preocupantes e processando automaticamente amostras rotineiras.
“O verdadeiro valor da IA em saúde não reside em se aproximar da expertise 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,” disse o coautor 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 suporte clínico, mas sua percepção 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 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 de Imagem dentro do consórcio BloodCounts!, que tem como objetivo melhorar o diagnóstico sanguíneo em todo o mundo usando IA. Simon Deltadahl é membro do Lucy Cavendish College, Cambridge.
