Classificação por inteligência artificial de neoplasia retal por análise endoscópica de perfusão por fluorescência

Por que isso importa para pacientes e médicos

Para pessoas com grandes pólipos retais, uma das maiores dúvidas é se o crescimento é inofensivo ou já está se transformando em câncer. Hoje, os médicos muitas vezes só conseguem ter certeza após remover toda a lesão, o que pode implicar cirurgias maiores do que o necessário ou atrasos no tratamento. Este estudo investiga se uma técnica de imagem inteligente, combinada com inteligência artificial, pode detectar câncer oculto durante o próprio procedimento ao observar como o sangue flui pelo tecido.

Ouvindo como um tumor é nutrido

Os cânceres não crescem como o tecido normal. Eles estimulam a formação de vasos sanguíneos novos e anormais que vazam e se ramificam de maneira desorganizada. Essas alterações criam padrões distintos na forma como o sangue e os corantes injetados entram e saem de um tumor. Os pesquisadores usaram um corante chamado indocianina verde, que brilha sob luz no infravermelho próximo, e registraram vídeos curtos durante a cirurgia endoscópica em pacientes com grandes pólipos retais e cânceres retais precoces. Ao seguir o brilho do corante ao longo de vários minutos, puderam capturar uma espécie de “impressão digital de perfusão” tanto para áreas suspeitas quanto para áreas saudáveis no mesmo paciente.

Transformando padrões de brilho em dados

Cada vídeo foi analisado por um software personalizado que dividiu a região visível da parede intestinal em uma grade de quadradinhos minúsculos e os rastreou ao longo do tempo, mesmo com movimento da câmera e do tecido. Para cada quadrado, o programa mediu quão intenso ficou o brilho da fluorescência, com que rapidez atingiu o pico e com que velocidade decaiu. Em seguida, limpou e normalizou essas curvas para que pudessem ser comparadas diretamente. A partir dessas séries temporais, a equipe extraiu características numéricas simples, como o sinal máximo e a queda do sinal em tempos específicos após o pico. Também avaliaram o quão heterogêneos esses valores eram na região anormal, usando uma estatística que captura a variação dentro do tumor em comparação com o tecido saudável próximo.

Treinando a inteligência artificial

O grupo estudou 190 vídeos de 182 pacientes tratados em seis hospitais de quatro países; cerca de três em cada cinco pacientes tiveram câncer confirmado ao exame microscópico. Treinaram um modelo de aprendizado de máquina (um classificador XGBoost) para aprender a diferença entre lesões benignas e cancerosas com base apenas nas características do fluxo do corante, sem analisar as imagens coloridas normais. Quando aplicado a casos novos, o modelo identificou corretamente o câncer em uma parcela substancial dos pacientes, com desempenho equivalente ou ligeiramente superior ao de muitas ferramentas padrão usadas na prática, como biópsias endoscópicas, exames de ressonância magnética pré‑operatórios e a impressão visual do cirurgião especialista.

Integrando pistas clínicas do mundo real

Na prática clínica, raramente os médicos confiam em um único teste. Os pesquisadores, portanto, combinaram a saída da IA com informações já disponíveis: laudos de ressonância magnética e o juízo do cirurgião que operou. Quando esses dados foram inseridos na mesma cadeia computacional, a capacidade de detectar câncer melhorou, especialmente na exclusão correta da doença em lesões benignas. No melhor cenário, o sistema combinado detectou cerca de 86% dos cânceres enquanto evitava alarmes falsos em aproximadamente 71% dos casos não cancerosos. A abordagem também funcionou de forma razoável em subgrupos de pacientes mais típicos de doença precoce e localmente ressecável.

O que isso pode significar para o cuidado futuro

O estudo demonstra que os cânceres em grandes pólipos retais deixam uma assinatura detectável na forma como o sangue e o corante percorrem essas lesões, e que essa assinatura pode ser capturada automaticamente pela IA. Embora o trabalho até agora tenha sido feito em vídeos gravados e ainda precise ser comprovado em ensaios clínicos em tempo real, aponta para um futuro em que o colonoscopista pode ser alertado, durante o procedimento, de que um pólipo aparentemente inofensivo provavelmente abriga um câncer invasivo. Essas informações poderiam orientar onde realizar biópsias, se a lesão deve ser removida localmente ou se o paciente deve ser encaminhado para cirurgia mais extensa, reduzindo tanto cânceres perdidos quanto operações maiores desnecessárias.

Citação: Boland, P.A., MacAonghusa, P., Singaravelu, A. et al. Artificial intelligence classification of rectal neoplasia by endoscopic fluorescence perfusion analysis. Sci Rep 16, 4761 (2026). https://doi.org/10.1038/s41598-026-35233-x

Palavras-chave: câncer retal, imagem endoscópica, perfusão por fluorescência, inteligência artificial, aprendizado de máquina