Cancro da mama: IA sinaliza as suas dúvidas, em estudo laboratorial

Pergunte a um modelo de IA sobre uma mamografia e ele devolve um diagnóstico. Não diz quanta confiança merece essa resposta concreta. Uma equipa da Universidade de Pittsburgh criou um modelo que o diz: uma rede neuronal profunda, ou DNN, que atribui a cada doente um diagnóstico juntamente com uma pontuação de incerteza. O trabalho foi apresentado na reunião anual da Society of Photo-Optical Instrumentation Engineers (SPIE), em fevereiro de 2026, em Vancôver, Canadá.

As DNN aprendem a partir de conjuntos de treino em que humanos rotularam as respostas corretas. Tornam-se muito boas a prever a resposta provável para uma população de doentes, por vezes quase sempre. São bastante mais fracas a indicar quão fiável é um diagnóstico para uma pessoa concreta. Numa doença que ameaça a vida, sublinha a equipa, mesmo alguns diagnósticos errados são catastróficos para os doentes afetados. O método da equipa, que chama aprendizagem ponderada pela incerteza (UWL), introduz a pontuação de incerteza no próprio treino, para que o modelo aprenda a tratar os casos incertos com mais cuidado.

O obstáculo era o cálculo. As mamografias são imagens grandes e de alta resolução, e as unidades de processamento gráfico (GPU), os chips em que as DNN funcionam melhor, precisam de muita memória partilhada para processar cada uma sem recorrer constantemente ao armazenamento. Jiren Li, estudante de doutoramento, obteve tempo de cálculo no Bridges-2, o supercomputador do PSC, através da ACCESS, a rede de centros de supercomputação gerida pela Fundação Nacional para a Ciência dos Estados Unidos (NSF). O Bridges-2 disponibilizava 47 nós GPU com 384 GPU de geração recente, e cada nó tem entre 128 e 2 000 gigabytes de RAM, contra 64 GB num portátil de gama alta. O seu sistema de armazenamento Ocean tem 15 petabytes de dados utilizáveis.

A primeira análise, que comparou várias DNN baseadas em UWL, foi animadora. Uma delas fez boas estimativas da sua própria incerteza, sinalizando a médicos e doentes quando um diagnóstico pode ser menos fiável para um doente específico. Fê-lo sem perder exatidão para o conjunto da população. A reportagem não apresenta números de exatidão do modelo, e a equipa descreve isto como uma primeira análise, não como uma validação clínica.

Para os radiologistas, o ganho seria um segundo sinal junto de cada resposta, indicando quais os casos que merecem uma leitura mais atenta. Para os doentes, seria um aviso de que um diagnóstico é menos fiável no seu caso pessoal. A equipa afirma que a mesma abordagem poderia aplicar-se a outras utilizações críticas da IA, para lá do cancro da mama. Não avança qualquer calendário para a utilização clínica, e o modelo continua na fase de investigação.