SBOC REVIEW

Resumo do artigo:

    O escore de classificação Gleason, avaliado através de alterações na arquitetura das glândulas prostáticas, é o principal marcador prognóstico em câncer de próstata e ajuda a definir a conduta terapêutica a ser seguida. No entanto, estudos mostram grande variabilidade inter e intra-observador, e além disso especialistas em patologia urológica são escassos no mercado.
    O estudo em questão se propôs a desenvolver um sistema de inteligência artificial completamente automatizado para detectar o câncer e graduar o Gleason em biópsias prostáticas.
    Para desenvolvimento do sistema foram utilizados conjuntos de dados denominados internos e externos. Os dados internos foram coletados de forma retrospectiva na Radboud University Medical Center, e foram distribuídos de forma randômica e estratificada de acordo com Gleason em diferentes sub-conjuntos:

• Treino (4712 biópsias): utilizado para treinar o algoritmo;
• Tunning (497 biópsias): utilizado para monitorar performance e evitar o sobre-ajuste (quando o algoritmo “decora os dados”, performando muito bem nos dados de treino mas muito mal em dados inéditos);
• Teste (535 biópsias): avaliado e rotulado por 3 patologistas experientes e utilizado para realizar os testes de performance em dados inéditos. Dos dados de teste foi ainda criado um sub-conjunto chamado Observador;
  • Observador (100 biópsias): utilizado para comparar o desempenho do algoritmo com aquele de um painel externo de patologistas (vindos de múltiplos centros e com variado grau de expertise).

    O conjunto de dados externos (245 cores) foi retirado de um dataset online independente, e seu objetivo foi validar o algoritmo ao testar sua performance em dados inéditos e coletados em outro centro (Department of Pathology and Molecular Pathology, University Hospital Zurich, Switzerland). Os dados externos foram avaliados e rotulados de forma independente por 2 patologistas.
    A seguir os principais resultados de performance do algoritmo reportados na publicação do artigo:

    Conjunto de dados Internos de Teste

• concordância na classificação do Gleason de 0.918 (Cohen’s Kappa); os 3 patologistas experientes apresentaram Kappa de 0.925;

    Conjunto de dados Observador

• o painel externo de patologistas apresentou concordância com os especialistas na classificação do Gleason de 0.819 (Cohen’s Kappa), enquanto o algoritmo atingiu Kappa superior de 0.854.

    Conjunto de dados externos

• os 2 patologistas apresentaram concordância de 0.71 (Cohen’s Kappa);
• o algoritmo avaliado de forma independente com cada patologista apresentou Kappas de 0.723 e 0.707.

    Na discussão do artigo o autor ressalta que o sistema de inteligência artificial desenvolvido foi capaz de atingir performance semelhante a dos patologistas na classificação do Gleason em biópsias, e ainda AUC de 0.990 na distinção entre biópsias benignas e malignas.

Automated deep-learning system for Gleason grading of prostate cancer using biopsies: a diagnostic study. Bulten W, Pinckaers H, van Boven H, Vink R, de Bel T, van Ginneken B, et al.
Sistema de aprendizagem profunda automatizado para graduação de Gleason em biópsias de câncer de próstata: um estudo diagnóstico.

 

Comentário do avaliador cientifico:
- A elevada sensibilidade do algoritmo faz com que o mesmo apresente grande potencial para ajudar no fluxo de trabalho em serviços de patologia (por exemplo, priorizando as biópsias suspeitas e pré-laudando biópsias benignas);
- Os resultados de performance equivalente a de patologistas são muito interessantes, já que o algoritmo pode ajudar a reduzir o custo, diminuir o tempo para diagnóstico e aumentar cobertura e acesso; 
- Ainda que retrospectivo e unicêntrico, o estudo é mais uma evidência científica a demonstrar o grande potencial de algoritmos de inteligência artificial na avaliação de imagens em patologia;
- Embora muitos estudos científicos, e sobretudo publicações jornalísticas confrontem o desempenho de homem versus máquina, o objetivo na prática deve ser a combinação das qualidades de ambos em prol de melhorias nos sistemas de saúde e no cuidado dos pacientes.

 

Avaliador científico:
Dr. Bruno Wance
- Residência Médica em Oncologia Clínica pelo Hospital de Câncer de Barretos (Hospital de Amor); Oncologista Clínico do Hospital Sírio Libanês Brasília e Instituto Hospital de Base do Distrito Federal; Certificado em Digital Business Strategy pelo Massachusetts Institute of Technology (MIT); MBA em andamento em Business Analytics e Big Data pela Fundação Getúlio Vargas (FGV).

 

Editor:
Dr. Daniel da Motta Girardi
Oncologista clínico do Hospital Sírio-Libanês Brasília e do Hospital de Base do Distrito Federal. Advanced fellow no programa de tumores geniturinários do National Cancer Institute, Bethesda, EUA.