Rumo à detecção e quantificação baseada em deep learning de metaplasia intestinal em biópsias gástricas digitalizadas: um estudo comparativo multi-experto

Por que isso importa para a sua saúde

O câncer de estômago continua sendo um dos tipos mais letais do mundo, em grande parte porque frequentemente é diagnosticado tardiamente. Os médicos sabem que uma alteração precancerosa específica no revestimento do estômago, chamada metaplasia intestinal, sinaliza risco mais elevado anos antes do aparecimento de um tumor. Mas hoje esse sinal de alerta é avaliado a olho nu, o que significa que dois especialistas podem olhar a mesma biópsia e discordar sobre a gravidade do caso. Este estudo investiga se a inteligência artificial pode trazer mais consistência e precisão a essa etapa crucial de detecção precoce.

Como os médicos procuram problemas no estômago

Quando alguém é investigado por suspeita de doença gástrica, pequenas amostras de tecido são retiradas de vários pontos padrão dentro do estômago e examinadas ao microscópio. Os patologistas procuram sinais como inflamação, perda das glândulas normais e, especialmente, o aparecimento de células com aspecto intestinal onde não deveriam estar. Quanto mais disseminadas essas alterações e quanto maior a extensão das áreas afetadas no estômago, maior a estimativa de risco de a pessoa desenvolver câncer gástrico no futuro. Sistemas de pontuação atuais combinam essas impressões visuais em estágios que vão de risco muito baixo a muito alto, orientando a frequência do acompanhamento do paciente.

O problema do julgamento humano isolado

Embora esses sistemas sejam amplamente usados em clínicas, eles dependem do melhor palpite do patologista sobre que fração do tecido está alterada. Pesquisas anteriores e a experiência cotidiana mostram que mesmo especialistas bem treinados podem divergir de forma perceptível em suas estimativas. Neste estudo, três patologistas pontuaram independentemente mais de 200 conjuntos de biópsias gástricas de voluntários e pacientes na Colômbia. O nível de concordância variou apenas de ligeiro a moderado, o que significa que o mesmo caso poderia receber estágios de risco diferentes dependendo de quem o analisou. Essa variabilidade levanta preocupações de que algumas pessoas possam ser equivocadamente tranquilizadas, enquanto outras sejam informadas de risco maior do que realmente têm.

Ensinando um computador a ler lâminas de biópsia

Os pesquisadores perguntaram se o deep learning, um tipo de inteligência artificial que se destaca em reconhecer padrões em imagens, poderia ajudar. Eles digitalizaram cinco amostras de biópsia por pessoa em alta ampliação e primeiro usaram um algoritmo especializado para localizar estruturas glandulares no tecido, onde as alterações iniciais aparecem. Dessas regiões, extraíram centenas de milhares de pequenas pastilhas de imagem (tiles). Um patologista experiente havia delineado previamente onde a metaplasia intestinal estava presente, permitindo que a equipe rotulasse as pastilhas como alteradas ou normais. Vários modelos modernos de redes neurais foram então treinados em etapas: primeiro aprendendo com grandes bases de imagens existentes e depois sendo refinados nessas amostras gástricas para distinguir pastilhas metaplásicas das normais.

O que o computador encontrou e como isso se compara

Entre os modelos testados, uma arquitetura em particular obteve os melhores resultados, identificando corretamente a metaplasia intestinal na maioria das pastilhas e alcançando níveis de desempenho comparáveis aos observados em outras tarefas de imagem médica. Quando as predições ao nível das pastilhas foram recombinadas nas imagens de lâmina inteira, o modelo produziu mapas coloridos mostrando onde as glândulas alteradas provavelmente estavam. A partir desses mapas, o programa calculou automaticamente a porcentagem de tecido alterado em cada sítio de biópsia e traduziu essas porcentagens nos mesmos estágios de risco usados pelos especialistas humanos. Embora o modelo não tenha coincidido perfeitamente com nenhum patologista isoladamente, apresentou forte correlação com suas estimativas e, o que é importante, foi mais consistente de caso a caso do que os humanos entre si.

O que isso pode significar para o cuidado futuro

O estudo sugere que sistemas de deep learning podem atuar como um “segundo leitor” constante para biópsias gástricas, oferecendo medidas objetivas de quanto do tecido apresenta alterações precancerosas iniciais. Em vez de substituir os patologistas, essas ferramentas poderiam fornecer uma linha de base confiável, reduzir suposições e discordâncias e ajudar a garantir que pacientes com risco verdadeiramente mais alto sejam identificados e acompanhados adequadamente. Com testes adicionais em diferentes hospitais e rotulagem mais detalhada de subtipos teciduais, essa abordagem poderia eventualmente apoiar decisões mais personalizadas e seguras sobre quem precisa de acompanhamento mais próximo para prevenir o câncer gástrico.

Citação: Cano, F., Caviedes, M., Siabatto, A. et al. Towards deep-learning based detection and quantification of intestinal metaplasia on digitized gastric biopsies: a multi-expert comparative study. Sci Rep 16, 9606 (2026). https://doi.org/10.1038/s41598-025-32737-w

Palavras-chave: câncer gástrico, metaplasia intestinal, deep learning, patologia digital, estratificação de risco de câncer