Diagnóstico por ultrassom com auxílio de inteligência artificial e estratificação de neoplasias foliculares da tireoide: um estudo multicêntrico

Por que isso importa para quem tem nódulos na tireoide

Muitas pessoas descobrem nódulos na tireoide durante exames de rotina e então enfrentam semanas de ansiedade esperando saber se o crescimento é inofensivo ou canceroso. Este estudo investiga se a inteligência artificial (IA) pode interpretar imagens de ultrassom de um grupo específico de crescimentos da tireoide — chamados neoplasias foliculares — com mais precisão do que especialistas humanos, ajudando pacientes a evitar cirurgias desnecessárias ao mesmo tempo em que garante que tumores perigosos não sejam perdidos.

Quando o inofensivo e o perigoso parecem iguais

Os tumores foliculares da tireoide aparecem em duas formas principais: adenomas, que são benignos, e carcinomas, que podem invadir vasos sanguíneos e se espalhar. Tanto ao microscópio quanto nas imagens de ultrassom, esses tumores frequentemente se parecem de forma impressionante. Mesmo radiologistas e patologistas experientes podem ter dificuldade em distingui-los antes da cirurgia, o que faz com que muitos pacientes passem pela retirada de metade ou de toda a tireoide apenas para obter um diagnóstico definitivo. As consequências são importantes: alguns carcinomas são apenas levemente invasivos e têm bom prognóstico, enquanto outros são mais agressivos, de modo que conhecer o tipo exato pode determinar a extensão da cirurgia e do acompanhamento que o paciente realmente precisa.

Ensinando um computador a interpretar ultrassons da tireoide

Os pesquisadores reuniram uma das maiores coleções de imagens de ultrassom de neoplasias foliculares da tireoide até hoje, abrangendo 2.567 pacientes de 31 hospitais na China. Para cada nódulo, radiologistas delinearam a região relevante em imagens padrão de ultrassom em preto e branco. Um sistema moderno de deep learning, baseado em uma arquitetura visual conhecida como ConvNeXt, foi então treinado em etapas. Primeiro aprendeu a distinguir adenomas benignos de carcinomas. Em seguida, entre os carcinomas, aprendeu a classificá‑los em subtipos menos invasivos e mais invasivos, que correspondem aproximadamente a doença de baixo, intermediário e alto risco. A equipe testou diferentes tipos de informação do ultrassom e descobriu que imagens simples em modo B — exames padrão em escala de cinza — eram mais confiáveis para a IA do que imagens coloridas de fluxo sanguíneo, cuja qualidade variava demais.

Como a IA se saiu no mundo real

Para verificar se o sistema se manteria fora dos laboratórios onde foi desenvolvido, os autores o testaram em três grupos independentes de pacientes de outros hospitais, cada qual com diferentes proporções de tumores benignos e malignos. Nesses centros, a IA apresentou desempenho consistentemente forte ao separar adenomas de carcinomas, com medidas de acurácia (valores AUC) em torno de 0,82 a 0,85. Ela também se saiu bem em sua tarefa mais exigente: classificar tumores em três grupos — benigno, câncer minimamente invasivo e câncer invasivo mais agressivo — mantendo alto desempenho em todos os hospitais. Importante, o modelo funcionou de forma similar para homens e mulheres, para diferentes abordagens cirúrgicas e na maioria das regiões geográficas, sugerindo que poderia ser útil em uma ampla gama de cenários clínicos.

Trabalhando ao lado dos radiologistas, não em seu lugar

O estudo também fez uma pergunta prática: essa IA realmente ajuda médicos a tomar melhores decisões? Quando radiologistas usaram apenas sistemas de pontuação estabelecidos para ultrassom da tireoide, seu desempenho na identificação de carcinomas foi visivelmente inferior ao da IA. Quando lhes foi mostrado o resultado da IA e seus mapas de “atenção” destacados nas mesmas imagens, a acurácia deles aumentou e, em alguns casos, quase igualou a do computador. Médicos em início de carreira foram os que mais se beneficiaram, mas até especialistas experientes ganharam vantagem. Ao mesmo tempo, a análise dos casos em que a IA errou revelou uma fraqueza chave: nessas imagens, o sistema tendia a focar em áreas fora do tumor verdadeiro em vez das características internas suspeitas, indicando onde são necessárias melhorias adicionais.

O que isso pode significar para os pacientes

Em termos simples, este trabalho sugere que uma IA bem treinada pode servir como um segundo par de olhos altamente consistente quando médicos interpretam ultrassons da tireoide. Para pacientes com nódulos foliculares da tireoide, uma ferramenta assim poderia aumentar as chances de que um carcinoma perigoso seja reconhecido antes da cirurgia, ao mesmo tempo em que reduz a probabilidade de que um adenoma inofensivo leve a um tratamento excessivamente agressivo. O modelo não está pronto para substituir o julgamento especializado e ainda precisa ser testado em outros países e em grupos de pacientes mais variados. Mas, como parte de uma estação de ultrassom ou de um aparelho, ele poderia em breve ajudar a ajustar a cirurgia e o acompanhamento ao nível real de risco de cada pessoa, transformando uma área antes nebulosa do diagnóstico da tireoide em um caminho mais claro à frente.

Citação: Li, J., Zhang, H., Zheng, H. et al. Artificial intelligence-enabled ultrasound diagnosis and stratification of follicular thyroid neoplasms: a multi-center study. npj Digit. Med. 9, 313 (2026). https://doi.org/10.1038/s41746-026-02489-6

Palavras-chave: ultrassom da tireoide, neoplasia folicular, inteligência artificial, estratificação do risco de câncer, imagem médica