Desenvolvimento da tecnologia de previsão inteligente do cancro da mama

O cancro da mama é um dos três principais cancros mortais na população do sexo feminino e requer um diagnóstico oportuno e preciso para melhorar o tratamento e o prognóstico do paciente. Em colaboração com o Instituto Holandês de Cancro (NKI), a Universidade de Maastricht, o Centro Médico da Universidade Radboud de Nimega, o Grupo do Hospital Twente (ZGT), a Universidade de Twente, o Hospital Pedagógico de Haga e o Centro de Cancro de Amesterdão, a equipa de investigação da FCA-UPM desenvolveu investigação, explorando técnicas de previsão do cancro da mama a nível molecular e utilizando métodos de aprendizagem profunda multimodal para melhorar a eficácia das técnicas de previsão, a fim de estudar uma nova solução para a detecção mais precoce e precisa do cancro da mama.

A expressão “Multimodal” refere-se à integração de diferentes fontes de dados ou ao mimetismo de dados para análise e aprendizagem. Tradicionalmente, a investigação sobre o cancro da mama concentra-se em detectar as alterações moleculares nas células cancerígenas, analisando mutações genéticas, a epigenética e outras características moleculares das células cancerígenas, classificando os tipos de tumores e identificando potenciais alvos terapêuticos. A equipa de investigação da FCA-UPM utiliza tecnologias inteligentes para promover métodos de investigação tradicionais, integrando diferentes tipos de dados para construir modelos complexos. Desta forma, é possível alargar o âmbito dos dados até aos vasos sanguíneos em redor dos tumores e às células imunológicas, entre outros factores microambientais. Esta abordagem permite observar a complexidade molecular do cancro da mama a partir de múltiplas dimensões, criando uma nova compreensão da interacção entre o tumor e o seu microambiente. Por outro lado, permite também que as características superficiais do cancro da mama se tornem mais óbvias, com o intuito de ajudar a avaliar o tipo de tumor de forma mais precisa, concreta e rápida.

Do ponto de vista técnico, a equipa de investigação desenvolveu um modelo multimodal de classificação de imagens (multimodal image classification model) que aproveita imagens diagnósticas de mamografia e de ultra-som. Ao treinar com algoritmos de aprendizagem profunda, este modelo multimodal aprende e avalia automaticamente os recursos de imagem para classificar e prever subtipos moleculares de cancro de mama. O modelo integra mecanismos de atenção internos e intermodais, potencializando a assimilação de recursos de imagem intermodais. Esta integração permite que o modelo avalie imagens de diversas perspectivas, elevando assim a sua eficácia preditiva. Validados clinicamente, os recursos preditivos deste modelo ajudam significativamente na interpretação de imagens radiológicas. À medida que a profundidade da computação de dados se intensifica, espera-se que a precisão e a especificidade do modelo na classificação do cancro da mama melhorem continuamente. Este avanço facilitará o diagnóstico precoce e o prognóstico do cancro da mama, abrindo caminho para uma gama mais ampla de possibilidades de tratamento.

Automação da segmentação de tumores cerebrais

A segmentação de tumores cerebrais é uma parte vital do diagnóstico e tratamento de tumores cerebrais, pois envolve a identificação e o delineamento preciso das regiões tumorais em exames de ressonância magnética. O processo é trabalhoso, demorado e requer um elevado nível de especialização. A equipa de investigação da FCA-UPM, juntamente com o Instituto de Tecnologia de Harbin, a Universidade de Ciência e Tecnologia de Qingdao, a Universidade de Osaka e a NBL Technovator Co., desenvolveu o “MimicNet”, automatizando o complexo processo de segmentação de tumores cerebrais a partir de exames de ressonância magnética.

O “MimicNet” emprega técnicas de aprendizagem profunda de última geração para emular o delineamento manual dos especialistas humanos e gerar um delineamento automático de áreas tumorais em exames de ressonância magnética. O núcleo deste sistema é um vasto conjunto de dados de exames de ressonância magnética que foram meticulosamente segmentados por especialistas. Impulsionada pelas técnicas de aprendizagem profunda, a intrincada experiência humana é traduzida num processo automatizado que analisa as complexas camadas de imagens, identificando e segmentando com precisão as regiões tumorais. Este processo reflecte o trabalho meticuloso dos especialistas humanos com os benefícios da velocidade, da eficiência e da consistência que a IA traz.

O treino do “MimicNet” envolve múltiplas modalidades de ressonância magnética, incluindo imagens ponderadas em T1, ponderadas em T1 com contraste, ponderadas em T2 e T2-Flair. Cada modalidade oferece uma perspectiva diferente e uma fatia única de informações sobre o tumor cerebral. Ao integrar estas múltiplas modalidades, o “MimicNet” é capaz de capturar uma visão abrangente do tumor cerebral, resultando numa maior precisão da segmentação do tumor cerebral, o que facilita o planeamento eficaz do tratamento.

Avaliação Inteligente do Desenvolvimento Pulmonar Fetal

O primeiro choro de um recém-nascido é o que as pessoas aguardam ansiosamente na sala de parto. Esse choro alto significa o início da respiração do recém-nascido, indicando que a função pulmonar entrou em funcionamento. O nascimento bem-sucedido de uma nova vida depende em grande parte do desenvolvimento e da maturidade dos pulmões do feto no útero da mãe. Começando no domínio da imagiologia médica, a equipa de investigação da FCA-UPM integrou tecnologia inteligente na monitorização ultra-sonográfica fetal para procurar métodos de detecção não invasivos que possam avaliar o desenvolvimento e a maturidade pulmonar fetal, optimizando assim os cuidados pré-natais e garantindo a saúde das mães e dos bebés.

Avaliar com precisão a maturidade pulmonar fetal pode ser complexo. Os métodos tradicionais muitas vezes necessitam de procedimentos invasivos (amniocentese), que podem induzir ansiedade nas gestantes e representar riscos potenciais. A equipa de investigação da FCA-UPM usou algoritmos que podem aprender com análises de imagens de ultra-som para avaliar a maturidade pulmonar fetal. Tecnicamente, um modelo de aprendizagem profunda é empregue em conjunto com a teoria dos grafos para transformar dados de ultra-som em gráficos e analisar padrões complexos e relações entre variáveis assim identificadas nas imagens. Esta abordagem conduz a resultados de avaliação pulmonar fetal mais bem informados, ao mesmo tempo que reduz os riscos associados aos testes pulmonares fetais pré-natais tradicionais, tanto física como psicologicamente, demonstrando plenamente o pensamento de “ter por base as pessoas”.

Este estudo foi conduzido pela equipa de investigação da FCA-UPM em colaboração com várias outras universidades, centros de pesquisa e instituições médicas. Os seus parceiros incluem a Universidade Normal do Leste da China, a Universidade Xi'an Jiaotong-Liverpool, a Universidade de Liverpool, o Centro de Pesquisa de Engenharia de Reabilitação Inteligente da Medicina Tradicional Chinesa, o Sexto Hospital Popular de Shanghai, afiliado à Escola de Medicina da Universidade Jiaotong de Shanghai, o Hospital de Suzhou, afiliado à Universidade Médica de Nanjing, o Centro de Inovação em Inteligência Artificial (AIIC) e a Universidade Médica Naval. Os especialistas em áreas que vão desde a IA e a matemática até à medicina e tecnologia de ultra-som trabalham juntos, dando um passo em frente em direcção a inovações inteligentes por meio de pesquisa interdisciplinar.

Desenvolvimento de Auxílios para Diagnóstico Clínico e Prognóstico

A interpretação de imagens médicas pode ser demorada e consumir muita energia, pois os profissionais médicos examinam visualmente cada imagem para detectar quaisquer anormalidades. A partir dos procedimentos de trabalho clínico, a equipa de investigação da FCA-UPM emprega tecnologias de IA para desenvolver ferramentas auxiliares à interpretação de imagens médicas. Essas ferramentas ajudam a agilizar tarefas rotineiras regulares, aumentando a eficácia da gestão de recursos de saúde para o tratamento dos pacientes.

Trabalhando em conjunto com especialistas da Universidade Shanghai Jiaotong, da Universidade de Cardiff, da Universidade de Tóquio e da Universidade de Tianjin, a equipa de investigação da FCA-UPM estudou as abordagens existentes para análises de imagens médicas usando IA e técnicas de aprendizagem automática, com o intuito de melhorar a interpretação de imagens médicas de raio X, de tomografia computadorizada e de ressonância magnética. Ao sintetizar grandes quantidades de dados de imagem, resultados de testes laboratoriais, dados demográficos, históricos familiares, taxas de resposta ao tratamento, e outras variáveis que influenciam a progressão da doença, este sistema de cálculo inteligente, construído desde o diagnóstico até ao prognóstico, permite aos profissionais médicos ter acesso a perfis de pacientes mais abrangentes, estimar o processo de desenvolvimento da doença sob diferentes métodos de tratamento e formular estratégias de tratamento correspondentes para os pacientes.

Estes sistemas de IA são adeptos de análises e classificação preliminar de doenças com base em imagens médicas. Ao operarem 24 horas por dia, 7 dias por semana, poderão reduzir consideravelmente os recursos médicos dedicados a tarefas repetitivas. Os resultados de diagnóstico e de prognóstico, derivados de análises automatizadas de imagens, podem chegar prontamente aos profissionais médicos para uma interpretação mais aprofundada, facilitando o tratamento possível das doenças mais precocemente. As conclusões deste estudo sublinham as vantagens da IA no aumento da eficiência dos cuidados de saúde e no fornecimento de um ponto de referência técnica para a optimização dos serviços médicos, especialmente em regiões com recursos de saúde limitados.

Interpretação inteligente de imagens médicas para melhoria da visão humana

O Professor Adjunto Tan Tao, investigador principal da equipa de investigação em IA aplicada à análise de imagens médicas, da FCA-UPM, dedica-se à investigação da aplicação clínica de IA a imagens médicas. Relativamente ao valor desta aplicação da IA, o Dr. Tan Tao refere: “O poder da IA reside na sua capacidade de análise de dados rápida e em grande escala e na detecção de regras e padrões delicados, potencialmente anunciando avanços focados em aplicações a imagens médicas.” O conhecimento médico e os dados clínicos constituem recursos inestimáveis para o treino de modelos e sistemas de IA. Apoiados por conhecimentos e dados clínicos, estes sistemas podem realizar tarefas que vão além das capacidades humanas individuais, tais como a análise simultânea de milhões de imagens médicas e a identificação de padrões delicados que podem escapar à observação humana. A equipa de investigação da FCA-UPM trabalha para apoiar os profissionais médicos no aprimoramento da eficiência do diagnóstico e do tratamento. Esta equipa aspira a que as capacidades analíticas de imagens médicas de nível especializado possam ser agregadas para uma utilização em todo o mundo através de sistemas de IA, contribuindo assim para os objectivos de desenvolvimento sustentável das Nações Unidas para a saúde global.

Desenvolvimento de jovens investigadores na área da saúde inteligente

A integração entre o ensino e a investigação pode promover o desejo de conhecimento dos alunos e estimular a curiosidade para explorar o desconhecido, de forma a desenvolver as suas competências académicas. Wang Rongsheng, estudante do Curso de Mestrado em Big Data e Internet das Coisas UPM, representa um exemplo brilhante deste desenvolvimento, uma vez que, sob a orientação do Dr. Tan Tao, ganhou a medalha de prata no Concurso Mundial RSNA Screening Mamography Breast Cancer Detection 2023, superando quase 2.000 concorrentes de todo o mundo.

Segundo o mestrando Wang: “O Dr. Tan Tao esteve envolvido em muitas discussões e teve vários intercâmbios connosco, ajudando-nos a compreender as complexidades e as regras de diagnóstico através de imagens de mamografia. Ele guiou-nos no design das estruturas algorítmicas para a fusão de várias tarefas e várias informações, fornecendo conselhos valiosos sobre o processamento de dados e a extracção de recursos.” . A participação na competição foi uma plataforma para mostrar e validar os resultados desta investigação. Wang Rongsheng acrescentou ainda: “A competição permitiu-me colaborar com universidades, laboratórios médicos e profissionais reconhecidos mundialmente, dando-me acesso a conjuntos de dados de imagens mamográficas ricos para os meus estudos e prática.”

Ao reflectir sobre os seus estudos no primeiro ano de mestrado em aprendizagem automática, Wang Rongsheng refere o seu primeiro contacto com a plataforma da competição: “Tivemos de realizar trabalhos práticos e enviá-los pela plataforma deste módulo de aprendizagem. Através deste módulo, compreendi que esta plataforma acessível globalmente reúne organizações líderes para desafios na ciência de dados e as respectivas soluções apresentadas por cientistas em dados de todo o mundo. Esta plataforma sediou a competição de imagens médicas organizada pela Sociedade Radiológica da América do Norte. A competição exigiu que os participantes desenvolvessem um modelo de aprendizagem automática que aumentasse a precisão e a produtividade do rastreamento do cancro de mama. A competição consistiu em fases de testes públicos e privados. Atingimos orgulhosamente a 50ª posição na fase pública e a 56ª na fase privada, demonstrando a considerável generalização e confiabilidade do nosso algoritmo. E, finalmente conquistámos a medalha de prata a nível mundial.”

Futuro promissor das imagens médicas de IA

O papel pioneiro da equipa de investigação da FCA-UPM na inovação relacionada com a saúde enfatiza a relação complementar entre a IA e a ciência médica. Ao aproveitar tecnologias avançadas, como a IA e a aprendizagem automática, esta equipa de investigação alimenta o progresso da ciência médica, cultivando uma sinergia única entre a tecnologia e as ciências clínicas que aprofunda a nossa compreensão das doenças e aumenta a eficiência da gestão clínica. Este esforço colaborativo mostra o papel fundamental da investigação interdisciplinar na formação dos cuidados de saúde, desde a previsão precisa de subtipos de cancro, passando pelo aproveitamento da IA para melhores previsões e diagnósticos através de imagens médicas, e até mesmo ao avanço nos cuidados pré-natais. A integração perfeita entre a tecnologia e os cuidados de saúde é crucial para orientar o futuro curso da medicina. A nossa exploração contínua do papel da IA em imagens médicas traça um caminho para melhores resultados de saúde por meio de esforços colaborativos, e estamos ansiosos para testemunhar a evolução contínua deste campo emocionante.

O mestrando Wang Rongsheng expressou que “Os modelos actuais de aprendizagem automática são normalmente construídos para executar uma única tarefa num único cenário. No entanto, prevejo um futuro onde teremos modelos de aprendizagem automática mais integrados, capazes de realizar simultaneamente múltiplas tarefas em vários cenários. O surgimento do ChatGPT de facto traz tal possibilidade.”. A sua ambição não se limita aos grandes modelos de linguagem para diálogos médicos, mas estende-se à participação activa em investigação que cruze modelos de grande escala e a ciência médica. “Sob a orientação do Dr. Tan Tao, criámos o IvyGPT, o primeiro modelo de linguagem médica em grande escala da Universidade Politécnica de Macau. Este empreendimento superou o desempenho do ChatGPT na lista de benchmarks de avaliação médica, alcançando resultados impressionantes. Estamos empenhados em aprofundar ainda mais as nossas pesquisas sobre estes temas relacionados no futuro.”

Incentivar o avanço das indústrias de alta tecnologia é fundamental para impulsionar o crescimento dos sectores relacionados com a saúde, incluindo serviços médicos, gestão da saúde, biotecnologia e investigação e desenvolvimento farmacêutico. O Dr. Tan Tao e o mestrando Wang Rongsheng estão firmes na sua crença acerca do enorme potencial da inteligência artificial no campo da análise de imagens médicas. Eles acreditam que esta tecnologia pode ajudar os médicos nos seus diagnósticos e formular planos de tratamento de saúde personalizados, proporcionando assim cuidados de saúde precisos para a população.

 

Texto completo dos estudos relevantes da Universidade Politécnica de Macau: