Para leigos: Inteligência artificial no diagnóstico e prognóstico de melanoma ocular

O cenário atual

O melanoma uveal (UM) é o tipo mais comum de câncer primário que ocorre dentro do olho em adultos. Essa doença é perigosa porque apresenta um alto risco de metástase (espalhamento para outras partes do corpo) e tem um prognóstico ruim se for diagnosticada tardiamente. Um grande desafio para os médicos é distinguir o UM de nevos coroidianos benignos, que são manchas inofensivas no olho, pois as características das imagens dos dois são muito parecidas. Modelos de aprendizado de máquina (Machine Learning - ML) e aprendizado profundo (Deep Learning - DL) surgiram como ferramentas para melhorar a precisão do diagnóstico e a previsão do prognóstico, mas ainda não se sabe ao certo se esses sistemas funcionam bem na prática geral e se estão prontos para o uso clínico.

O que os pesquisadores fizeram

Os pesquisadores realizaram uma revisão sistemática e uma meta-análise. Isso significa que eles buscaram e reuniram resultados de vários estudos já publicados para tirar conclusões mais robustas. A equipe buscou dados em bases de dados científicas como PubMed, Scopus, Web of Science, Embase e IEEE Xplore, considerando publicações em inglês e espanhol de 2012 até junho de 2025. O objetivo era avaliar o desempenho de algoritmos de ML e DL que utilizam imagens oculares para detectar e prever a evolução do UM. Eles também avaliaram o risco de viés desses estudos e combinaram estatísticas de sensibilidade e especificidade.

Como funciona na prática

A análise incluiu estudos que aplicam inteligência artificial em diferentes tipos de exames de imagem do olho, como fotografia de fundo, ultrassom, OCT e autofluorescência. A maior parte dos estudos diagnósticos analisados utilizava fotografias do fundo do olho, sendo a maioria retrospectiva (análise de dados passados) e de centros únicos. Dez dos estudos usaram arquiteturas de Deep Learning, especificamente redes neurais convolucionais ou transformers. Para o prognóstico, os modelos tentam prever resultados como metástase, sobrevida ou a necessidade de remoção do olho (enucleação).

Resultados e evidência

Treze estudos diagnósticos foram incluídos na análise. Os resultados combinados mostraram que os modelos têm uma sensibilidade de 78,21% (capacidade de detectar a doença) e uma especificidade de 94,28% (capacidade de descartar a doença quando ela não existe).

Ao comparar os tipos de imagem, os modelos baseados em ultrassom tiveram um desempenho melhor na especificidade (98,16%) do que os modelos baseados em fundo (87,70%). A acurácia geral (AUC) também foi alta: 0,912 para modelos de fundo e 0,984 para modelos de ultrassom. Para a previsão do prognóstico (seis estudos envolvendo até 4.600 pacientes), os valores de AUC variaram entre 0,71 e 0,92. No entanto, o paper não detalha que todos esses estudos prognósticos careciam de validação externa.

Implicações práticas

Os modelos de Machine Learning e Deep Learning demonstram um forte desempenho diagnóstico e um valor prognóstico emergente para o melanoma uveal. O estudo sugere que, à medida que esses modelos evoluem, eles têm o potencial de se tornar ferramentas essenciais na prática clínica, acelerando o uso da inteligência artificial de forma rotineira e confiável na oncologia ocular. Novos modelos de base, como o RETFound e o VisionFM, treinados em grandes conjuntos de dados multimodais de olhos, poderiam melhorar a padronização e a capacidade de explicação dos resultados.

Limitações e próximos passos

Apesar dos resultados promissores, a reprodutibilidade e a validação no mundo real ainda são limitadas. Os estudos de prognóstico analisados não possuíam validação externa, o que é um obstáculo para confirmar que os resultados se mantêm em diferentes populações e hospitais. O paper não detalha soluções imediatas para isso além da sugestão de uso de novos modelos de base e grandes bancos de dados para melhorar a generalização entre centros.

Quem são os pesquisadores

O estudo foi conduzido por um grupo de autores vinculado à UNIFOR (Universidade de Fortaleza). Os pesquisadores listados são: Andrés Bravo-González, Pablo Domínguez-Ruiz, Maria J. Buitrago-Gonzalez, Bernardo Bach, Zhi Chen, Daniel Suarez, Mateus Pimenta Arruda, Rian Vilar Lima, Giulia Steuernagel Del Valle, Mariana Tosato Zinher, Celso Menezes Filho e Pedro F. Salazar. O paper não detalha a formação acadêmica específica, títulos ou trajetória profissional individual de cada autor, além de seus papéis na realização desta revisão sistemática e meta-análise.