Como saber se um câncer é carcinoma de células renais? Como descobrir quão rápido ele se desenvolve? E como escolher qual tratamento faz sentido nesse caso, em específico? Para responder a perguntas como essas, a pesquisa médica precisa de uma grande quantidade de dados.

No entanto, esses dados de saúde são considerados sensíveis e estão sujeitos a regulamentos extremamente rígidos. Mesmo os dados anonimizados dos pacientes não podem ser divulgados.

Embora essa regulamentação exista para proteger pacientes, ela dificulta muito o diagnóstico e tratamento de doenças oncológicas raras. Por outro lado, com uma grande quantidade de dados clinicamente relevantes, o desenvolvimento de certos tumores ou o risco de metástase pode ser melhor estimado.

Conversão de dados sensíveis de saúde em dados sintéticos

Para superar esse problema, um grupo de pesquisadores do projeto SWAG (SWArm learning for Generation and dissemination of high-quality data in oncology) desenvolveu um modelo generativo de Inteligência Artificial, que gera dados sintéticos a partir de dados sensíveis de pacientes. Como estes não estão mais relacionados aos pacientes, podem ser usados para fins de pesquisa. O projeto é financiado pelo Ministério Federal de Educação e Pesquisa (BMBF) com um milhão de euros e coordenado pelo Hospital Universitário Würzburg.

Ao contrário dos dados de saúde “reais”, os dados sintéticos são livres de restrições de privacidade e reivindicações de propriedade. Mas o que são esses dados sintéticos e como eles são gerados?

Com a ajuda da Inteligência Artificial, todos os parâmetros relevantes para a medicina são lidos e processados a partir de imagens de raios-X, achados histológicos ou imagens de tomografia computadorizada. Esses dados sintéticos são essencialmente matemática pura, na forma de fórmula.

Como já mencionado, são informações livres de dados de pacientes e, por isso, podem ser coletadas. Quanto mais informações o modelo de IA incluir, mais previsões precisas sobre alterações celulares patológicas podem ser feitas.

Essa coleta de dados é possibilitada pelo aprendizado de enxame. O aprendizado de enxame é uma abordagem descentralizada para o uso de Inteligência Artificial. A diferença é que, ao invés de mesclar os dados de diferentes clínicas, eles ficam onde foram coletados, mas os algoritmos e as informações que eles coletam em cada local são trocados.

“Dessa forma, geramos imagens sintéticas, que se baseiam em um grande número de imagens de diferentes pacientes, mas não estão mais relacionadas ao paciente e, portanto, não pertencem a ninguém”, diz a professora Bettina Baeßler, coordenadora do projeto SWAG. O princípio é comparável a obras de arte geradas por IA, explica o radiologista. Num sentido figurado, a IA aprenderia como são as pinturas típicas de Van Gogh ou Monet e, se desejado, criaria uma imitação credível. Embora isso parecesse um Van Gogh, não seria um.

Modelos de IA treinados com aprendizado de enxame mostram aplicações promissoras

“A tecnologia de aprendizado de enxame, apesar de relativamente jovem, parece promissora para Inteligência Artificial descentralizada em oncologia. Como exemplo, podemos citar modelos de IA treinados com aprendizado de enxame que já foram capazes de prever mudanças genéticas em tecidos de tumores de cólon”, relata Jakob Kather, um dos parceiros do projeto SWAG. A base para esse treinamento foi mais de 5 mil dados de pacientes.

No próprio projeto SWAG, o foco está na base de dados do carcinoma de células renais, pois esse é um câncer extremamente raro e tem uma evolução bastante diferente. Graças aos modernos métodos de imagem, os carcinomas de células renais podem, agora, ser detectados precocemente, mas ainda é difícil fazer um prognóstico sobre o seu curso. No entanto, modelos de IA treinados com aprendizado de enxame podem ajudar, no futuro, a fazer previsões mais precisas sobre o desenvolvimento de carcinoma de células renais e recomendar métodos de tratamento adequados individualmente.

Até o momento, os resultados do projeto de pesquisa SWAG mostram, claramente, que modelos de IA treinados com aprendizado de enxame podem ser usados ​​para melhorar o diagnóstico e o tratamento do câncer. Por esse motivo, os conjuntos de dados sintéticos e os modelos de IA treinados devem ser disponibilizados à comunidade científica, a fim de desenvolvê-los juntos e avançar na pesquisa sobre o câncer.