Proponha uma correção, faça uma sugestão
O poder do machine learning: esta ferramenta pode detetar o cancro precocemente
Um grupo de investigadores formulou e validou um método de aprendizagem automática (ML - machine learning) que permite identificar precocemente o cancro através da utilização de amostras de sangue mais pequenas, de acordo com um novo estudo.
Um grande número de provas mostra que o cancro detetado em fases mais avançadas mata as pessoas. Esta nova tecnologia aproxima-nos de um mundo em que as pessoas farão uma análise ao sangue anualmente para detetar o cancro mais cedo, quando este é mais tratável e possivelmente curável.
Afirmou Cristian Tomasetti, autor correspondente do estudo e diretor do Centro de Prevenção e Deteção Precoce do Cancro da City of Hope, num comunicado de imprensa.
Mais, explicou que, quando o cancro da mama é detetado na fase 1, 99% das pessoas sobrevivem nos cinco anos seguintes, mas se for detetado na fase 4, quando já tem metástases, a sobrevivência desce diretamente para 31%.
Os investigadores utilizaram um algoritmo denominado Alu Profile Learning Using Sequencing (A-Plus) em 7657 amostras de 5980 pessoas, incluindo cancros da mama, cólon, reto, esófago, pulmão, fígado, pâncreas, ovário e estômago.
A tecnologia que desenvolveram foi capaz de identificar metade dos cancros em 11 tipos estudados. O teste foi exato, com apenas um falso positivo em cada 100 testes. A maioria das amostras de cancro provinha de pessoas com doença em fase inicial.
Como é que a tecnologia detetou o cancro?
Quando as células morrem, o seu ADN é libertado para a corrente sanguínea. Os sinais de cancro podem ser encontrados neste "ADN livre de células" (cfDNA). Os investigadores concentraram-se nos padrões de fragmentação em regiões repetitivas do cancro e no cfDNA normal, tornando-o mais eficiente do que os métodos tradicionais.
De acordo com Tomasetti, esta abordagem fragmentada requer cerca de oito vezes menos sangue do que a sequenciação do genoma completo.
A nossa técnica é mais prática para aplicações clínicas, uma vez que requer quantidades menores de material genómico de uma amostra de sangue. O sucesso contínuo nesta área e a validação clínica abrem a porta à introdução de testes de rotina para detetar o cancro nas suas fases mais precoces.
Afirmou Kamel Lahouel, coautor do estudo e professor assistente na Divisão de Genómica Integrada do Cancro da TGen.
Tomasetti e a sua equipa estão prontos para iniciar um ensaio clínico com o objetivo de avaliar a eficácia da sua tecnologia na identificação das fases iniciais do cancro, aumentando assim a viabilidade de uma intervenção e tratamento atempados.
A investigação foi realizada em colaboração com a City of Hope, uma das maiores organizações de investigação e tratamento do cancro nos EUA, e o Translational Genomics Research Institute, uma organização de investigação médica que faz parte da City of Hope. O estudo foi publicado na revista Science Translational Medicine.
Leia também:
Loading ...
No entanto! Tissue contamination challenges the credibility of machine learning models in real world digital pathology
https://www.modernpathology.org/article/S0893-3952(24)00002-4/fulltext
Obrigado pela partilha José
Acho que todas as ferramentas complementares só vêm ajudar. Modelos de ML que estejam preparados para análise massiva de dados podem encontrar muitas patologias que nunca ninguém iria analisar até ser tarde demais.
Posso dar uma exemplo algo simples, mas… Um apresentado do conhecido canal CGN estava a treinar para a prova da “hora”. E estava a usar um dispositivo e aplicação de monitorização de parâmetros fisiológicos. Uma “simples” smart band com uns sensores e ligada a um software que faz uma série de análises. Certo dia ele foi alertado da alteração de alguns parâmetros. Coisas muito ligeiras. Mas continuou porque não tinha sintomas nem quebra aparente de performance. No dia seguinte ainda mais alterações mas nada de sintomas. Mais um dia e estava com sintomas de gripe. O software conseguiu detetar alterações muito ligeiras quando ele já estava infetado, mas sem sintomas nenhuns. Claro que é um mero exemplo, mas não deixa de ser interessante. E cada vez mais temos situações idênticas com os smartwatches.
Mas a palavra de ordem (pelo menos para já) é mesmo o complementar. Não é substituir ninguém. Mas quando mais redundância houver nos diagnósticos, melhor não? Quantos mais “olhos” na coisa, melhor.
Até porque os humanos também erram, e não é pouco. Como em qualquer profissão, temos profissionais de saúde bons, assim assim, fraquinhos e maus. Além disso, muitas vezes a “especialização” é inimiga de um bom diagnóstico da situação “geral” pois foca-se demasiado nos pormenores.
https://www.npr.org/sections/health-shots/2013/02/11/171409656/why-even-radiologists-can-miss-a-gorilla-hiding-in-plain-sight