Aprendizado profundo para predição de malignidade e origem tumoral usando imagens de lâminas inteiras de citologia ou histopatologia

Por que os fluidos ao redor dos pulmões e do abdome importam

Quando há acúmulo de líquido ao redor dos pulmões (derrame pleural) ou no abdome (ascite), isso pode ser um sinal precoce de que o câncer se espalhou. Os médicos examinham esses fluidos ao microscópio em busca de células cancerosas, mas a tarefa é meticulosa e até especialistas às vezes discordam. Este estudo descreve um novo sistema de inteligência artificial (IA) que pode escanear lâminas digitais inteiras desses fluidos, ajudar a decidir se há câncer presente e até sugerir onde no corpo o tumor provavelmente se originou.

Transformando lâminas de microscópio em mapas digitais

Laboratórios de patologia modernos podem digitalizar lâminas de vidro em imagens digitais de altíssima resolução, cada uma contendo milhões de células. Os pesquisadores usaram essas imagens de lâmina inteira a partir de dois tipos de preparações: esfregaços finos de células e “blocos celulares” compactos que lembram pequenas amostras de tecido. Eles se concentraram em fluidos do tórax e do abdome coletados em um grande hospital, juntamente com amostras adicionais de tecido de um amplo banco de dados internacional de câncer. Como marcar manualmente cada célula cancerosa é impossível nessa escala, a equipe construiu um método que aprende a partir de rótulos ao nível da lâmina, como “maligno” ou “benigno”, sem anotações detalhadas.

Uma IA que se ensina o que procurar

O sistema, chamado MAMILE‑UNI, combina duas ideias-chave. Primeiro, divide cada lâmina em muitos pequenos fragmentos de imagem e os passa por uma poderosa rede “transformer” que foi pré-treinada, sem rótulos humanos, em milhões de imagens de patologia. Essa etapa de auto-treinamento permite ao modelo descobrir padrões visuais úteis — como aglomerados celulares e texturas de tecido — por conta própria. Segundo, um módulo de atenção aprende quais fragmentos em uma lâmina são mais relevantes para o diagnóstico, imitando efetivamente como um patologista procura áreas suspeitas. Os fragmentos que influenciam fortemente a decisão são realçados, produzindo mapas de calor que mostram onde o algoritmo “olhou” ao rotular uma lâmina como cancerosa ou não.

Detectando câncer em fluidos torácicos e abdominais

A equipe avaliou o MAMILE‑UNI em 1.250 lâminas de fluidos de derrames pleurais e ascites. Em comparação com cinco métodos líderes de aprendizado profundo, o novo sistema foi consistentemente mais preciso. Para derrames pleurais, distinguiu corretamente lâminas malignas de benignas em cerca de 9 em cada 10 casos, tanto para esfregaços quanto para blocos celulares. Para ascite, alcançou precisão semelhante e foi especialmente eficaz em manter alta sensibilidade (identificar verdadeiros cânceres) e alta especificidade (evitar falsos positivos). Testes estatísticos mostraram que suas predições coincidiram de perto com os diagnósticos verdadeiros e foram significativamente melhores que os modelos de IA concorrentes. Importante, o sistema permaneceu confiável mesmo quando células cancerosas eram raras em uma lâmina — uma situação que frequentemente desafia leitores humanos.

Rastreando de onde o câncer veio

Além de simplesmente sinalizar malignidade, os autores investigaram se a IA poderia inferir onde um tumor metastático começou — um grande desafio quando o sítio primário é desconhecido. Usando esfregaços citológicos de derrames pleurais e ascites, o modelo aprendeu a atribuir lâminas a grandes grupos de origem, como pulmão, mama, trato gastrointestinal ou órgãos ginecológicos. Foi particularmente preciso para cânceres de pulmão e mama, enquanto o desempenho foi mais modesto para tumores mais raros ou visualmente variados. Para testar a generalidade, os pesquisadores também aplicaram o MAMILE‑UNI a 1.196 seções de tecido de 69 hospitais ao redor do mundo. Nessas lâminas de histologia, o sistema identificou a origem tumoral com acurácia notavelmente alta, aproximando‑se de concordância quase perfeita com os diagnósticos de referência.

Velocidade, eficiência e suporte para clínicos

Patologistas muitas vezes gastam pelo menos dez minutos revisando cuidadosamente uma única lâmina citológica digital. Em contraste, o MAMILE‑UNI pode processar uma lâmina inteira e devolver uma predição em menos de dois minutos em uma placa gráfica padrão, após comprimir imagens de tamanho gigabyte em conjuntos compactos de características. Avaliações baseadas em curvas mostraram que o modelo tende a classificar casos verdadeiramente malignos no topo de sua lista de prioridades, oferece um equilíbrio favorável entre benefícios e danos em diversos limiares de decisão e produz escores de probabilidade que se alinham bem com desfechos do mundo real. Mapas de atenção se sobrepuseram de forma estreita com áreas marcadas por patologistas especialistas, sugerindo que o foco da IA é clinicamente relevante e não arbitrário.

O que isso significa para pacientes e médicos

Para pacientes com líquido no tórax ou no abdome, um diagnóstico rápido e preciso influencia fortemente as decisões de tratamento, ainda que os testes atuais possam ser lentos, subjetivos e caros. Este estudo mostra que um sistema de IA cuidadosamente projetado pode rastrear de forma confiável lâminas digitais de fluido e tecido em busca de sinais de câncer e fornecer pistas sobre onde a doença começou, utilizando recursos computacionais modestos. Os autores enfatizam que o MAMILE‑UNI não substitui os patologistas, mas é uma ferramenta de suporte que pode reduzir a carga de trabalho, melhorar a consistência e ampliar o acesso a diagnósticos oncológicos de alta qualidade — especialmente em cenários onde a expertise especializada e exames laboratoriais avançados são limitados.

Citação: Wang, CW., Chu, TC., Wu, TK. et al. Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images. npj Digit. Med. 9, 175 (2026). https://doi.org/10.1038/s41746-026-02359-1

Palavras-chave: IA em citologia, derrame pleural, ascite, predição de origem tumoral, patologia digital