A inteligência artificial diferencia mielofibrose primária prefibrótica com trombocitose de trombocitemia essencial usando imagens digitalizadas de biópsia de medula óssea

Por que isso importa para pessoas com doenças sanguíneas

Médicos frequentemente têm dificuldade em diferenciar duas condições sanguíneas semelhantes que apresentam riscos de longo prazo bastante distintos. Este estudo mostra como a inteligência artificial pode ler imagens de medula óssea na tela do computador para separar essas doenças com mais precisão, e até aponta características sutis do tecido que humanos podem estar negligenciando. Para os pacientes, isso pode eventualmente significar diagnóstico melhor, informações de risco mais claras e tratamento mais personalizado.

Duas doenças parecidas com futuros muito diferentes

Trombocitemia essencial e mielofibrose primária prefibrótica são ambas doenças raras da medula óssea que causam excesso de plaquetas, as células sanguíneas envolvidas na coagulação. Ao microscópio, amostras da medula podem parecer bastante semelhantes, de modo que mesmo patologistas especialistas às vezes discordam no diagnóstico. A distinção é importante porque pessoas com a forma prefibrótica têm maior probabilidade de desenvolver fibrose severa da medula, leucemia e complicações potencialmente fatais do que aquelas com trombocitemia essencial. As diretrizes atuais dependem do julgamento visual de especialistas sobre formas celulares e fibrose sutil, um processo subjetivo e demorado.

Ensinando um computador a ler lâminas de medula óssea

Os pesquisadores construíram um sistema de inteligência artificial em duas partes que opera diretamente a partir de imagens de biópsia de medula óssea coradas rotineiramente. Primeiro, eles usaram um modelo pré-treinado poderoso, originalmente exposto a dezenas de milhares de lâminas de câncer, para extrair padrões visuais detalhados de cada pequena região da biópsia. Em seguida, aplicaram um método de “atenção” que permite ao algoritmo atribuir maior importância às regiões que mais fortemente suportam um diagnóstico ou outro. Treinado em 200 pacientes italianos cujos diagnósticos foram cuidadosamente confirmados e então testado em um grupo independente de um centro oncológico dos EUA, o sistema distinguiu as duas doenças com alta precisão. Ele separou corretamente mielofibrose primária prefibrótica de trombocitemia essencial em mais de nove em cada dez pacientes no grupo de validação, com uma habilidade particularmente forte de evitar rotular falsamente alguém como portador da doença de maior risco.

Usando imagens sintéticas para ver o que a IA enxerga

Para entender em quais pistas visuais o modelo estava se apoiando, a equipe adicionou um componente generativo que pode criar fragmentos de medula óssea com aparência realista típicos de cada doença. Selecionaram tanto lâminas reais quanto blocos de imagem gerados por computador que o classificador tratava com confiança e pediram a três hematopatologistas especialistas, trabalhando às cegas, que os rotulassem. Para imagens reais, os especialistas humanos concordaram com o diagnóstico da IA na maior parte das vezes quando se dispunham a assumir uma resposta. Mas para muitas imagens sintéticas, especialmente aquelas que imitavam trombocitemia essencial, os patologistas frequentemente discordaram do algoritmo ou sentiram que não podiam escolher um diagnóstico com segurança, embora a IA tivesse classificado corretamente esses blocos de acordo com os dados conhecidos do paciente.

Um papel surpreendente da gordura versus células na medula

O contraste entre humano e máquina levou a uma análise mais detalhada da composição tecidual em imagens reais e geradas. Usando outra ferramenta de análise de imagem, os pesquisadores mediram quanto de cada bloco estava preenchido por espaços de gordura versus células formadoras de sangue. Em geral, amostras associadas à trombocitemia essencial continham mais gordura, enquanto aquelas ligadas à mielofibrose primária prefibrótica estavam mais densamente preenchidas por células. Esse padrão apareceu tanto em imagens reais de pacientes quanto em imagens geradas por computador, e foi ainda mais acentuado nas lâminas sintéticas de trombocitemia essencial. Mapas de calor da “atenção” do modelo também mostraram que o algoritmo naturalmente se concentrava em áreas ativas formadoras de sangue em vez de osso ou artefatos, sugerindo que aprendeu pistas biologicamente significativas em vez de atalhos.

O que isso pode significar para diagnóstico e tratamento

Em termos práticos, o estudo sugere que um sistema de IA bem treinado pode ajudar patologistas a separar essas duas doenças de medula semelhantes usando lâminas de microscópio padrão, e pode revelar características teciduais úteis, como o equilíbrio entre gordura e células, que não fazem parte das listas de verificação atuais. Os autores enfatizam que sua ferramenta não pretende substituir a revisão de especialistas, especialmente dado o número modesto de pacientes estudados até agora. Em vez disso, ela poderia atuar como um segundo leitor, especialmente em centros que veem poucos desses casos, e poderia ajudar a refinar quais pacientes são inscritos em ensaios clínicos ao excluir aqueles com a forma prefibrótica mais agressiva. Ao longo do tempo, combinar esse tipo de IA baseada em imagens com dados clínicos e genéticos pode apoiar um cuidado mais confiante e personalizado para pessoas que vivem com essas raras doenças sanguíneas.

Citação: Srisuwananukorn, A., Loscocco, G.G., Dolezal, J.M. et al. Artificial intelligence differentiates prefibrotic primary myelofibrosis with thrombocytosis from essential thrombocythemia using digitized bone marrow biopsy images. Leukemia 40, 1018–1026 (2026). https://doi.org/10.1038/s41375-026-02893-7

Palavras-chave: inteligência artificial, biópsia de medula óssea, neoplasias mieloproliferativas, trombocitemia essencial, mielofibrose primária prefibrótica