Detecção e classificação do câncer de tireoide usando imagem espectral e inteligência artificial

Por que detectar o câncer de tireoide precocemente importa

O câncer de tireoide é o tipo mais comum de câncer nas glândulas produtoras de hormônios, e seu diagnóstico ainda depende em grande parte do que um patologista observa ao microscópio. Ainda assim, até especialistas podem discordar, especialmente em casos limítrofes que parecem em parte inofensivos e em parte preocupantes. Este estudo descreve uma nova forma de ler lâminas de tecido tireoidiano padrão usando medição avançada da luz e inteligência artificial, com o objetivo de ajudar os médicos a separar tecido normal de tecido cânceroso de maneira mais precisa e consistente.

Olhando além das cores comuns nas lâminas

Na prática diária, o tecido da tireoide removido durante a cirurgia é cortado em fatias finas, corado em tons de rosa e roxo e examinado ao microscópio. As cores vêm de dois corantes, hematoxilina e eosina, que destacam os núcleos das células e o tecido circundante. Scanners digitais tradicionais convertem isso em uma imagem simples em vermelho‑verde‑azul (RGB), semelhante à de uma câmera de celular. A equipe por trás deste trabalho construiu um tipo diferente de sistema de imageamento, chamado imageamento espectral, que mede como cada pequeno ponto na lâmina absorve luz ao longo de dezenas de cores no espectro visível em vez de apenas três. Essa "impressão digital de cor" mais rica captura diferenças sutis ligadas à compactação e organização do material genético dentro do núcleo de cada célula, características que frequentemente mudam no câncer.

Convertendo espectros de células individuais em informações utilizáveis

Para aproveitar essas medidas detalhadas, os pesquisadores primeiro pediram a patologistas especialistas que contornassem regiões claramente normais e claramente tumorais em cada lâmina. O microscópio espectral então escaneou ambas as áreas em cerca de 5–10 minutos por espécime, coletando cerca de 40 valores de intensidade de luz para cada pixel. Uma rede neural especializada, baseada em um desenho amplamente usado em imageamento médico, encontrou e contornou automaticamente os núcleos das células individuais. Para cada núcleo, o sistema calculou seu espectro médio e seu tamanho e forma, bem como o quanto o espectro diferia de núcleos típicos normais e típicos cancerosos. Dessa forma, o que um patologista vê qualitativamente como núcleos "mais escuros" ou "mais amontoados" é traduzido em características numéricas que um computador pode analisar.

Dois caminhos para separar células normais e cancerosas

O estudo testou duas formas complementares de classificar células. Em uma abordagem semi‑automatizada, um patologista ainda marca uma região como normal e outra como tumoral. O sistema então compara o espectro de cada núcleo com espectros de referência dessas duas áreas, usando um método simples de agrupamento para separar células provavelmente normais das provavelmente cancerosas. Esse método alcançou escores F1 — um equilíbrio entre sensibilidade e precisão — em torno de 0,8 ou superiores para os principais subtipos de câncer de tireoide, melhorando ainda mais quando núcleos limítrofes com características mistas foram deixados de lado. Em uma abordagem totalmente automatizada, um modelo de aprendizado de máquina chamado random forest aprendeu a partir de mais de 150.000 núcleos rotulados para reconhecer padrões em tamanho, forma e comportamento espectral dos núcleos que indicam câncer. Testado em casos de pacientes diferentes, também atingiu escores F1 acima de 0,82, sem necessidade de rotulagem manual de regiões.

Das células individuais às decisões sobre o tecido inteiro

Os médicos não baseiam o tratamento no destino de uma única célula, mas em se áreas maiores do tecido são cancerosas e até que ponto a doença pode ter se espalhado. Os pesquisadores, portanto, avaliaram como o sistema funciona quando agrupa células em pequenas subregiões e rotula cada região como tumoral ou normal se a maioria de seus núcleos parecer cancerosa ou não. Essa visão baseada em regiões elevou ainda mais a acurácia, especialmente ao reduzir alarmes falsos em tecido normal. Importante, a abordagem permaneceu transparente: cada decisão pode ser rastreada até características celulares visíveis e espectros, evitando o comportamento de "caixa‑preta" que torna algumas ferramentas de deep learning difíceis de confiar na clínica.

O que isso pode significar para pacientes e médicos

O estudo mostra que adicionar medidas espectrais detalhadas e IA cuidadosamente projetada às lâminas de tireoide rotineiras pode destacar de forma confiável onde o câncer está presente, mesmo em subtipos difíceis que frequentemente confundem especialistas. Como o método funciona com as mesmas colorações padrão já usadas mundialmente, ele poderia ser integrado aos fluxos de trabalho de patologia digital sem alterar como o tecido é preparado. Em vez de substituir patologistas, o sistema fornece um mapa de núcleos provavelmente normais e provavelmente cancerosos ao longo da lâmina, ajudando a confirmar diagnósticos difíceis, acelerando revisões e potencialmente reduzindo o risco tanto de cânceres não detectados quanto de tratamentos agressivos desnecessários.

Citação: Almagor, M., Shapira, Y., Soker, A. et al. Thyroid cancer detection and classification using spectral imaging and artificial intelligence. Sci Rep 16, 6509 (2026). https://doi.org/10.1038/s41598-026-37496-w

Palavras-chave: câncer de tireoide, patologia digital, imagem espectral, inteligência artificial, diagnóstico de câncer