Pesquisadores japoneses desenvolveram uma ferramenta de diagnóstico baseada em inteligência artificial (IA) para exames de colposcopia que pode identificar com precisão a neoplasia intraepitelial cervical (NIC) e sugerir locais de biópsia apropriados. Os resultados do trabalho foram selecionados para o programa científico do ASCO Breakthrough 2023.
Ao realizar exames de colposcopia em pacientes com citologia cervical anormal, é necessário treinamento suficiente para detectar neoplasia intraepitelial cervical (NIC) com alta precisão diagnóstica, diminuindo o tempo e reduzindo as biopsias de tecido.
“Atualmente, não existe um sistema de certificação para a realização de colposcopias no Japão, e a qualidade e a interpretação desses exames variam. Nosso estudo teve como objetivo desenvolver uma ferramenta baseada em inteligência artificial (IA) que reproduzisse as técnicas de exame de colposcopia de especialistas para serem usadas como auxílio diagnóstico, identificando com precisão as lesões NIC e orientando os locais de amostragem de tecido”, disse Akihiko Ueda, médico do Departamento de Ginecologia e Obstetrícia da Universidade de Kyoto e primeiro autor do estudo.
Para validar a precisão dessa tecnologia, os pesquisadores realizaram uma análise retrospectiva de 8.341 pacientes submetidos a um exame de colposcopia para triagem secundária de citologia cervical anormal ou acompanhamento de NIC entre 2013-2019. As pacientes do estudo tinham idade média de 41 anos e foram diagnosticadas com 7 casos de câncer cervical em estágio inicial, 203 casos de NIC3, 276 casos de NIC2 e 456 casos de NIC1.
Resultados
Os pesquisadores construíram a ferramenta baseada em IA para detectar lesões, anotando achados anormais de colposcopia após o processamento de ácido acético em casos de câncer cervical e CIN3 para os quais os diagnósticos foram confirmados por biópsias. O modelo de detecção resultante foi aplicado aos casos de NIC1 e NIC2, e as acurácias diagnósticas dessas lesões foram avaliadas por sensibilidade, especificidade e área sob a curva (AUC: métrica de avaliação que assume um valor entre 0 e 1, com 0 indicando baixa precisão e 1 indicando alta precisão), bem como o número de lesões identificadas.
O modelo identificou lesões graves em casos de NIC3 com sensibilidade de 85%, especificidade de 73%, AUC de 0,89 para a área da lesão e precisão de 95% para o número de lesões identificadas. Em casos de NIC1, o modelo foi preditivo de achados anormais de colposcopia com sensibilidade de 87%, especificidade de 70%, AUC de 0,81 para a área da lesão e precisão de 97% para o número de lesões identificadas. Jám em relação aos casos NIC2, o modelo previu achados anormais de colposcopia com sensibilidade de 86%, especificidade de 67%, AUC de 0,81 para a área da lesão e precisão de 93% para o número de lesões identificadas.
“Desenvolvemos um sistema de diagnóstico baseado em IA para colposcopia que pode identificar lesões de NIC com alta precisão e sugerir locais de biópsia apropriados”, destacaram os autores, observando que há espaço para melhorias na capacidade do aplicativo de predizer com precisão o diagnóstico histopatológico.
“Este estudo mostrou que aproveitar a inteligência artificial no rastreamento do câncer pode abrir caminho para um desempenho de diagnóstico potencialmente mais eficaz e aprimorado no tratamento do câncer do colo do útero”, concluiu Roselle B. De Guzman, especialista da ASCO.
O estudo não recebeu nenhum financiamento.
Referência: Development of an artificial intelligence-based diagnostic system for the detection of abnormal colposcopic findings.
First Author: Akihiko Ueda
Meeting: 2023 ASCO Breakthrough
Session Type: Poster Session
Session Title: Poster Session B
Track: Gastrointestinal Cancer,Gynecologic Cancer,Head and Neck Cancer,Quality of Care,Genetics/Genomics/Multiomics,Healthcare Equity and Access to Care,Healthtech Innovations,Models of Care and Care Delivery,Population Health,Viral-Mediated Malignancies
Sub Track: Artificial Intelligence/Deep Learning
Citation: JCO Global Oncology 9, 2023 (suppl 1; abstr 82)
DOI: 10.1200/GO.2023.9.Supplement_1.82
Abstract #: 82
Poster Bd #: A8
