Pesquisadores do Departamento de Genética e Genômica do Tisch Cancer Institute publicaram resultados de estudo que investigou o potencial da inteligência artificial (IA) para aprimorar a detecção precoce do câncer de mama (CM) e melhorar os resultados dos pacientes. A revisão sistemática de diferentes conjuntos de dados mostrou que, enquanto os métodos convencionais de aprendizado de máquina demonstraram precisão acima de 90%, técnicas de deep learning alcançaram 98,58 de precisão, agregando contribuição importante para avanços adicionais na detecção do câncer de mama.
Nesta análise, publicada no European Journal of Cancer, Darbando et al. utilizaram uma abordagem multimétodo que compreendeu revisão da literatura e experimentos, com revisão sistemática de 310 artigos utilizando 30 conjuntos de dados. Entre as técnicas avaliadas, a rede neural recorrente (RNN), projetada para reconhecer padrões em grandes sequências de dados, surgiu como a mais precisa, alcançando 98,58% de precisão, seguida por princípios genéticos (GP), aprendizagem de transferência (TL) e redes neurais artificiais (ANNs), com precisões superiores a 96%.
Os autores descrevem que modelos de diagnóstico de câncer de mama baseados no conjunto de dados de câncer de mama de Wisconsin (Wisconsin Breast Cancer Database) revelaram que a regressão logística (LR) e a máquina de vetores de suporte (SVM) foram os preditores mais precisos, com erros mínimos para dados clínicos. Por outro lado, as árvores de decisão (DT) exibiram maiores taxas de erro como consequência do overfitting, enfatizando a importância da seleção de algoritmos para conjuntos de dados complexos. A análise de imagens de ultrassom ressaltou a importância do pré-processamento, enquanto a análise de imagens histopatológicas usando redes neurais convolucionais (CNNs) demonstrou capacidades de classificação robustas.
Em conjunto, esses resultados ressaltam o potencial transformador do aprendizado de máquina e da deep learning no diagnóstico do câncer de mama, oferecendo ferramentas de diagnóstico automatizadas, precisas e acessíveis. “A colaboração entre as partes interessadas é fundamental para avanços adicionais nos métodos de detecção “, destacam os autores.
Referência:
