IA que analisa tomografias pulmonares tal como um radiologista o faz

Todos os dias, os radiologistas analisam um grande volume de tomografias computadorizadas à procura de algo que possa passar facilmente despercebido. Um pequeno nódulo. Uma sombra subtil. Algo que possa ser um cancro do pulmão em fase inicial ou que possa não ser nada de especial.

O cancro do pulmão mata mais pessoas a nível mundial do que qualquer outro tipo de cancro. A sobrevivência está intimamente ligada à precocidade do diagnóstico. E a carga de trabalho na maioria dos serviços de radiologia deixa pouca margem para o tipo de atenção contínua e duplamente focada que a deteção de uma pequena lesão suspeita realmente exige.

Um estudo recém-publicado na revista «Scientific Reports», da autoria de uma equipa de investigação internacional que inclui investigadores da Universidade de Tecnologia de Kaunas, na Lituânia, criou um sistema de IA concebido para realizar uma tarefa com a qual as ferramentas existentes têm tido dificuldades constantes. Este sistema analisa a imagem de duas formas ao mesmo tempo.

A forma como um radiologista interpreta, na prática, um exame

Quando um radiologista analisa uma tomografia computadorizada, está constantemente a mudar de perspetiva. Amplia uma área de interesse para examinar os pormenores. Afasta-se para compreender como essa área se relaciona com o pulmão na sua totalidade. Não se trata de uma coisa ou de outra. São ambas, repetidamente, ao longo de toda a leitura.

A maioria dos sistemas de IA criados para esta tarefa teve de fazer uma escolha. Ou são bons a captar pormenores locais minuciosos, ou são bons a compreender o contexto estrutural mais amplo. Conseguir ambas as coisas em simultâneo tem sido um problema técnico persistente.

A solução da equipa é um modelo a que chamam C-Swin. Este combina dois tipos diferentes de arquitetura de redes neurais que funcionam em conjunto. Uma rede neural convolucional lida com as características locais de alta resolução, o tipo de reconhecimento detalhado de padrões que deteta pequenas lesões e texturas subtis. Um Swin Transformer, uma arquitetura que utiliza uma abordagem de janela deslizante para analisar regiões espaciais da imagem, lida com o contexto mais amplo. Os dois componentes funcionam em paralelo, sendo os seus resultados integrados, em vez de sequenciais.

O investigador Inzamam Mashood Nasir, da KTU, descreve-o de forma simples. Uma parte do modelo centra-se em pequenos detalhes, como pequenas manchas ou texturas nos pulmões, enquanto outra analisa a imagem global e compreende o panorama geral. Pode pensar nisso como ter uma lupa e uma visão completa do exame ao mesmo tempo.

O que os resultados revelaram

O modelo foi testado no conjunto de dados IQ-OTH/NCCD, uma coleção de tomografias computadorizadas disponível ao público, classificando as imagens em três categorias: normal, benigna e maligna.

Distinguir entre nódulos benignos (não cancerosos) e tumores malignos é uma das tarefas mais difíceis da radiologia; um erro nesta distinção pode levar à não deteção de cancros ou à realização de biópsias invasivas desnecessárias.

Os resultados foram excelentes. O C-Swin atingiu uma exatidão de 96,26%, com uma precisão de 97,48% e um índice F1 de 97,42%. Em comparação com os métodos existentes, a melhoria na exatidão variou entre 2,31% e 6,81%, dependendo da comparação.

Na medicina, essas margens não são pequenas. Um ponto percentual na precisão do diagnóstico, aplicado a milhares de doentes e centenas de milhares de exames, traduz-se em resultados concretos.

Os investigadores são cautelosos quanto às suas afirmações. O modelo foi treinado com base num único conjunto de dados. Ainda não foi testado com diferentes fabricantes de aparelhos de imagiologia, diferentes protocolos de imagiologia ou diferentes populações de doentes. Nasir é claro quanto a isto. Em condições reais, existem muitas variáveis, e o sistema precisa de ser testado em todas elas antes de ser utilizado clinicamente.

Esta ressalva não diminui a importância da descoberta. Trata-se de uma descrição honesta da fase em que se encontra uma boa investigação antes de se tornar prática clínica. Os próximos passos são a validação clínica, os ensaios em ambientes hospitalares e a integração nos sistemas de imagiologia médica existentes.

Por que razão o momento certo é fundamental

O cancro do pulmão continua a ser, na maioria dos casos, diagnosticado numa fase tardia, quando as opções de tratamento são mais limitadas e os resultados são mais difíceis de alcançar. A discrepância entre o que é biologicamente possível e o que chega efetivamente aos doentes a tempo constitui um dos principais problemas da oncologia.

As ferramentas de IA que reduzem efetivamente o número de casos não diagnosticados e diminuem as taxas de falsos positivos — o que significa que menos doentes são encaminhados para procedimentos desnecessários e sofrem a ansiedade que isso acarreta — abordam ambos os aspetos desse problema ao mesmo tempo.

Nasir salienta que esta abordagem não se limita ao cancro do pulmão. Qualquer tarefa de imagiologia médica que exija tanto uma análise local detalhada como uma compreensão estrutural mais ampla poderá beneficiar da mesma abordagem. Os tumores cerebrais, o cancro da mama e as doenças oculares são todos mencionados como potenciais aplicações.

O panorama geral

Esta semana, o CEO da Google DeepMind, Demis Hassabis, concedeu duas entrevistas importantes: uma no podcast «20VC» com Harry Stebbings e outra com a divulgadora científica Cleo Abram, nas quais abordou a sua visão sobre o que a IA pode fazer na medicina. A sua mensagem constante foi que o papel mais importante da IA não está nos produtos de consumo, mas sim na luta contra as doenças. Ele referiu que gostaria de ver o processo de descoberta de medicamentos, que atualmente demora uma década, reduzido a alguns meses. Sobre a IA chegar a um ponto em que a medicina já não se pareça com o que é hoje.

O artigo sobre o C-Swin não tem essa dimensão de ambição. Trata-se de um modelo, um conjunto de dados e um conjunto de resultados cuidadosamente delimitado, à espera de validação clínica. Mas é exatamente assim que se percorre a distância entre o ponto de partida e o objetivo. Não com saltos isolados, mas sim através de estudos como este, realizados com cuidado, publicados abertamente e desenvolvidos pela equipa seguinte.

A biologia do cancro do pulmão está a ser cada vez melhor compreendida. Os tratamentos começam a acompanhar essa evolução. E agora, aos poucos, o mesmo acontece com os meios de deteção.

Fonte: Yousafzai SN, Nasir IM, Mansour S et al. Uma abordagem híbrida de aprendizagem profunda que integra CNN e transformador para a classificação do cancro do pulmão com base em tomografias computadorizadas. Scientific Reports. 2026. doi:10.1038/s41598-026-41161-7

Imagem: ilustração gerada por IA