Precisão do Algoritmo de Deep Learning para Detecção e Estratificação de Risco de Nódulos Pulmonares

O osteossarcoma é considerado o tumor ósseo maligno mais comum em crianças e adolescentes. Aproximadamente 15% a 20% dos pacientes com osteossarcoma apresentam doença metastática detectável, e a maioria (85%) tem lesões pulmonares como único local de metástase. Estudos anteriores mostraram que a taxa de sobrevida global entre pacientes com osteossarcoma localizado sem doença metastática é de aproximadamente 60% a 70%, enquanto a taxa de sobrevida reduz para 10% a 30% em pacientes com doença metastática. Embora ultimamente os esquemas quimioterápicos neoadjuvantes e adjuvantes possam diminuir a taxa de mortalidade, 30% a 50% dos pacientes ainda morrem de metástases pulmonares. O número, a distribuição e o momento das metástases pulmonares são de valor prognóstico para a sobrevida e, portanto, a tomografia computadorizada (TC) do tórax ainda desempenha um papel vital na vigilância da doença. Na última década, a tecnologia do tomógrafo multidetector aprimorou a detecção de inúmeras lesões pulmonares menores, o que por um lado pode aumentar a sensibilidade diagnóstica para metástase pulmonar, porém, a especificidade pode ser reduzida. Nos últimos anos, o algoritmo de inteligência artificial (IA) de aprendizado profundo em uma ampla variedade de exames de imagem é um tópico importante. Atualmente, um número crescente de sistemas de diagnóstico assistido por computador (CAD) baseados em tecnologias de aprendizado profundo visando uma triagem mais rápida e uma interpretação correta de nódulos pulmonares foram rapidamente desenvolvidos e introduzidos no mercado. Até agora, as pesquisas que se concentram na melhoria da precisão da classificação de nódulos benignos/malignos fizeram progressos substanciais, inspirados pelo tremendo avanço das técnicas de aprendizado profundo. Consequentemente, a maioria dos sistemas CAD existentes pode realizar a classificação de nódulos pulmonares com precisão de 90% acima. Na prática clínica, não apenas a determinação da malignidade do nódulo pulmonar, mas também a distinção entre carcinoma primário e metástase intrapulmonar é crucial para o manejo do paciente. No entanto, a classificação mais existente de nódulo pulmonar aplicada no sistema CAD continua a ser padrão binário (benigno vs maligno), na falta de classificação de nódulo mais completa caracterizada com divisão de nódulo primário e metastático. Até onde sabemos, apenas alguns estudos se concentraram no desempenho do sistema CAD baseado em aprendizado profundo para identificar nódulos pulmonares metastáticos até agora. Neste estudo proposto, os investigadores procuraram determinar a precisão e a sensibilidade de um sistema auxiliado por computador baseado no algoritmo de inteligência artificial de aprendizado profundo para detecção e estratificação de risco de nódulos pulmonares em pacientes com sarcoma osteogênico.