O cancro gástrico continua a ser uma das principais ameaças à saúde pública global, sendo atualmente a quinta neoplasia mais frequente e a terceira principal causa de morte por cancro. O diagnóstico tardio é o maior obstáculo, uma vez que a identificação em fases avançadas está associada a uma taxa de sobrevivência global de apenas 24%. Apesar deste panorama, a evidência demonstra que a deteção precoce pode alterar significativamente o rumo natural da doença. A European Society of Gastrointestinal Endoscopy estima que a mortalidade poderá ser reduzida em cerca de 40% através de rastreios mais eficazes e da utilização da endoscopia digestiva alta, um exame minimamente invasivo capaz de identificar lesões pré-cancerosas e malignas no esófago, estômago e início do intestino delgado (duodeno), nas suas fases iniciais com elevada sensibilidade.

Início / Publicações / Publicação

Início / Publicações / Publicação

Gastrenterologia

REDES NEURONAIS QUE VÊM ALÉM DO OLHO HUMANO: DETEÇÃO DE METAPLASIA INTESTINAL

Tipo de publicação: Resumo do Artigo
Título original: Diagnostic Performance of Deep Learning Models for Gastric Intestinal Metaplasia Detection in Narrow-band Images
Data da publicação do artigo: Maio de 2023
Fonte: TechRxiv
Autores: Miguel Martins, Maria Pedroso, Diogo Libânio, Mário Dinis-Ribeiro Miguel Coimbra & Francesco Renna

Qual é o objetivo, público-alvo e áreas da saúde digital em que se enquadra?
     O estudo tem como objetivo avaliar o desempenho de diferentes modelos de redes neuronais profundas na deteção de metaplasia intestinal gástrica em imagens de endoscopia. Destina-se a profissionais de saúde, em particular gastroenterologistas, bem como a investigadores e programadores de inteligência artificial aplicadas à saúde e a decisores envolvidos em políticas de rastreio e gestão oncológica. O estudo enquadra-se em áreas da saúde digital, nomeadamente na inteligência artificial aplicada ao diagnóstico médico, no processamento e análise de imagens endoscópicas, nos sistemas de apoio à decisão clínica, na deteção precoce de condições pré-cancerosas e na otimização de procedimentos endoscópicos.

Qual é o contexto?
     O cancro gástrico continua a ser uma das principais ameaças à saúde pública global, sendo atualmente a quinta neoplasia mais frequente e a terceira principal causa de morte por cancro. O diagnóstico tardio é o maior obstáculo, uma vez que a identificação em fases avançadas está associada a uma taxa de sobrevivência global de apenas 24%. Apesar deste panorama, a evidência demonstra que a deteção precoce pode alterar significativamente o rumo natural da doença. A European Society of Gastrointestinal Endoscopy estima que a mortalidade poderá ser reduzida em cerca de 40% através de rastreios mais eficazes e da utilização da endoscopia digestiva alta, um exame minimamente invasivo capaz de identificar lesões pré-cancerosas e malignas no esófago, estômago e início do intestino delgado (duodeno), nas suas fases iniciais com elevada sensibilidade.

     Neste enquadramento a metaplasia intestinal gástrica assume particular importância. Trata-se de uma transformação do revestimento gástrico, em que o epitélio normal do estômago é substituído por epitélio do tipo intestinal. A presença de metaplasia intestinal gástrica multiplica dez vezes o risco de evolução para cancro gástrico, tornando-a uma condição de elevada relevância clínica para vigilância e intervenção precoce. Contudo, a sua deteção continua a ser um desafio, já que os sinais endoscópicos são subtis e sujeitos a variabilidade de interpretação, mesmo entre gastroenterologistas experientes.

Quais são as abordagens atuais?
     Atualmente, a deteção da metaplasia intestinal gástrica depende sobretudo da endoscopia digestiva alta. Com o avanço tecnológico, técnicas como a narrow-band imaging e a amplificação óptica ampliaram as possibilidades diagnósticas, permitindo realçar padrões da mucosa e identificar alterações subtis sugestivas de metaplasia. Quando existe suspeita, a confirmação é feita através de biópsia com exame histopatológico, considerado o método de referência. Apesar da sua fiabilidade, este processo apresenta limitações relevantes, sendo invasivo, demorado e dependente da representatividade da amostra recolhida. Além disso, mesmo com o apoio das técnicas de imagem mais modernas, a interpretação endoscópica continua a depender fortemente da experiência do clínico, originando uma variabilidade significativa entre observadores e comprometendo a consistência diagnóstica.

     Nos últimos anos, começaram a surgir abordagens complementares baseadas em inteligência artificial, em particular através da aplicação de redes neuronais profundas à análise de imagens endoscópicas. Modelos como o EfficientNet já mostraram capacidades para distinguir imagens do estômago com e sem sinais de metaplasia, enquanto o VGG-16 tem sido utilizado no apoio ao diagnóstico de metaplasia e atrofia gástrica (perda de glândulas do estômago). O modelo ResNet, quando aplicado com a técnica narrow-band imaging, permite uma análise mais detalhada da mucosa gástrica. Também arquiteturas como a DenseNet e a Inception evidenciaram potencial na classificação de padrões da mucosa gástrica. Estes avanços apontam para um futuro em que a prática clínica possa beneficiar de ferramentas mais consistentes e objetivas, embora persistam limitações importantes à sua implementação, como a necessidade de grandes volumes de dados anotados, a heterogeneidade dos conjuntos de imagens e a dificuldade em garantir um desempenho uniforme em diferentes contextos clínicos.

Em que consiste a inovação? Como é que é avaliado o impacto deste estudo?
     A inovação deste estudo residiu na comparação direta de cinco arquiteturas de redes neuronais profundas — VGG-16, ResNet-50, Inception-v3, DenseNet-121 e EfficientNet-b4 — para a deteção de metaplasia intestinal gástrica em imagens de endoscopia através de narrow-band imaging. Ao contrário de trabalhos anteriores, que analisavam modelos de forma isolada ou em contextos experimentais controlados, esta investigação utilizou dados provenientes da prática clínica real, recolhidos no departamento de gastrenterologia do Instituto Português de Oncologia do Porto. As imagens foram revistas por um gastroenterologista experiente e sujeitas a critérios de exclusão rigorosos — como diagnósticos incorretos ou baixa resolução— resultando num conjunto final de 125 imagens de alta qualidade, 65 classificadas como normais e 60 com evidência de metaplasia intestinal gástrica. Este processo assegurou que as redes fossem testadas em material representativo da realidade clínica, aumentando a relevância prática dos resultados.

     A avaliação do impacto baseou-se numa metodologia experimental robusta, com recurso a validação cruzada em 5 subconjuntos de dados: em cada ciclo, 4 eram usados para treinar o modelo e o restante para testar, repetindo o processo até que todos os subconjuntos fossem usados para teste. O desempenho de cada arquitetura foi medido através de métricas: sensibilidade (capacidade de identificar corretamente imagens de metaplasia), especificidade (capacidade de reconhecer corretamente imagens de mucosa normal), valores preditivos positivos e negativos (probabilidade  de dentro dos diagnósticos identificados como positivos, estes corresponderem de facto a metaplasia, assim com os negativos corresponderem realmente à normalidade), exatidão (percentagem de previsões corretas no total) e área sob a curva ROC, indicador da capacidade discriminativa global (variando entre 0 e 1, sendo 1 discriminação perfeita e 0,5 ausência de discriminação). Para reforçar a confiança nos resultados, foram realizada análises estatísticas detalhadas que permitiram comparar os modelos e identificar erros significativos.

Quais são os principais resultados? Qual é o futuro desta abordagem?
     Os resultados deste estudo demonstraram que, apesar do conjunto de dados ser reduzido, as redes neuronais profundas alcançaram desempenhos elevados, com exatidão entre 72% (EfficientNet-b4) e 82% (VGG-16). Entre as arquiteturas testadas, VGG-16 e ResNet-50 destacaram-se, apresentando áreas sob a curva ROC superiores a 0,80 e maior robustez diagnóstica. O VGG-16 revelou-se mais sensível à presença de metaplasia intestinal gástrica, enquanto a ResNet-50 mostrou-se mais específica na identificação de mucosa normal, um equilíbrio particularmente relevante em contexto clínico, pois a maior sensibilidade reduz falsos negativos e a maior especificidade reduz falsos positivos. Em contraste, a EfficientNet-b4 e a DenseNet-121 apresentaram menor consistência e resultados menos promissores, confirmando limitações na sua aplicabilidade em diferentes cenários clínicos. A análise estatística confirmou diferenças significativas entre os modelos de melhor e pior desempenho, enquanto a análise de erros revelou variabilidade entre os diferentes subconjuntos e dificuldades na adaptação a diferentes escalas de imagem: os modelos conseguiram interpretar situações com artefactos endoscópicos, como reflexos ou variações de iluminação, mas falharam em casos aparentemente simples, como imagens de alta ampliação. Em termos clínicos, o VGG-16 surge como a arquitetura mais promissora, pois a sua maior sensibilidade é particularmente relevante no seguimento dos doentes, assegurando ao mesmo tempo uma elevada exatidão.

     O futuro desta abordagem passa pela validação em conjuntos de dados mais amplos e diversificados, incluindo estudos multicêntricos, e pela integração em sistemas de apoio ao diagnóstico em tempo real, capazes de complementar a decisão clínica durante os exames. Para além disso, o desenvolvimento de modelos mais adaptativos poderá superar limitações técnicas atuais, reforçando a fiabilidade e consistência destas ferramentas. No plano da saúde pública, esta linha de investigação poderá transformar os programas de rastreio oncológico, tornando a deteção da metaplasia intestinal gástrica mais precoce, contribuindo para reduzir a mortalidade associada ao cancro gástrico.

Interessado em saber todos os detalhes?

Saiba mais aqui
Voz em IA

O futuro do diagnóstico: Fala e IA

A fala é um biomarcador que reflete, de forma sensível, o funcionamento integrado de vários sistemas fisiológicos, nomeadamente o nervoso, o respiratório e o muscular….

Ler mais
TEF-HEALTH Logo

SPMS integra a iniciativa TEF-Health

A SPMS participa na iniciativa TEF-Health como parceira de um consórcio composto por 51 entidades de 9 países da União Europeia. Esta ação é cofinanciada…

Ler mais

tem uma ideia inovadora
na área da saúde?

Partilhe-a connosco e veja-a ganhar vida.
Ajudamos a dar vida aos seus projetos!

Partilhar a minha ideia

Newsletter

Receba as novidades do
Portal InovarSaúde

Subscrever

Suporte

Perguntas Frequentes

Contactos

Manual do Utilizador

República Portuguesa logo
logotipo SNS
SPMS logotipo

Acompanhe-nos

YouTube
LinkedIn

Cofinanciado por :

PRR Logotipo
república Portuguesa logo
União Europeia Logo

Newsletter

Receba as novidades do
Portal InovarSaúde

Subscrever

Suporte

Perguntas Frequentes

Contactos

Manual do Utilizador

República Portuguesa logo
SNS Logo
SPMS Logo

Acompanhe-nos

Cofinanciado por :

PRR Logotipo
República Portuguesa logo
União Europeia Logo

Início / Publicações / Publicação

Gastrenterologia

REDES NEURONAIS QUE VÊM ALÉM DO OLHO HUMANO: DETEÇÃO DE METAPLASIA INTESTINAL

Tipo de publicação: Resumo do Artigo
Título original: Diagnostic Performance of Deep Learning Models for Gastric Intestinal Metaplasia Detection in Narrow-band Images
Data da publicação do artigo: Maio de 2023
Fonte: TechRxiv
Autores: Miguel Martins, Maria Pedroso, Diogo Libânio, Mário Dinis-Ribeiro Miguel Coimbra & Francesco Renna

Qual é o objetivo, público-alvo e áreas da saúde digital em que se enquadra?
     O estudo tem como objetivo avaliar o desempenho de diferentes modelos de redes neuronais profundas na deteção de metaplasia intestinal gástrica em imagens de endoscopia. Destina-se a profissionais de saúde, em particular gastroenterologistas, bem como a investigadores e programadores de inteligência artificial aplicadas à saúde e a decisores envolvidos em políticas de rastreio e gestão oncológica. O estudo enquadra-se em áreas da saúde digital, nomeadamente na inteligência artificial aplicada ao diagnóstico médico, no processamento e análise de imagens endoscópicas, nos sistemas de apoio à decisão clínica, na deteção precoce de condições pré-cancerosas e na otimização de procedimentos endoscópicos.

Qual é o contexto?
     O cancro gástrico continua a ser uma das principais ameaças à saúde pública global, sendo atualmente a quinta neoplasia mais frequente e a terceira principal causa de morte por cancro. O diagnóstico tardio é o maior obstáculo, uma vez que a identificação em fases avançadas está associada a uma taxa de sobrevivência global de apenas 24%. Apesar deste panorama, a evidência demonstra que a deteção precoce pode alterar significativamente o rumo natural da doença. A European Society of Gastrointestinal Endoscopy estima que a mortalidade poderá ser reduzida em cerca de 40% através de rastreios mais eficazes e da utilização da endoscopia digestiva alta, um exame minimamente invasivo capaz de identificar lesões pré-cancerosas e malignas no esófago, estômago e início do intestino delgado (duodeno), nas suas fases iniciais com elevada sensibilidade.

     Neste enquadramento a metaplasia intestinal gástrica assume particular importância. Trata-se de uma transformação do revestimento gástrico, em que o epitélio normal do estômago é substituído por epitélio do tipo intestinal. A presença de metaplasia intestinal gástrica multiplica dez vezes o risco de evolução para cancro gástrico, tornando-a uma condição de elevada relevância clínica para vigilância e intervenção precoce. Contudo, a sua deteção continua a ser um desafio, já que os sinais endoscópicos são subtis e sujeitos a variabilidade de interpretação, mesmo entre gastroenterologistas experientes.

Quais são as abordagens atuais?
     Atualmente, a deteção da metaplasia intestinal gástrica depende sobretudo da endoscopia digestiva alta. Com o avanço tecnológico, técnicas como a narrow-band imaging e a amplificação óptica ampliaram as possibilidades diagnósticas, permitindo realçar padrões da mucosa e identificar alterações subtis sugestivas de metaplasia. Quando existe suspeita, a confirmação é feita através de biópsia com exame histopatológico, considerado o método de referência. Apesar da sua fiabilidade, este processo apresenta limitações relevantes, sendo invasivo, demorado e dependente da representatividade da amostra recolhida. Além disso, mesmo com o apoio das técnicas de imagem mais modernas, a interpretação endoscópica continua a depender fortemente da experiência do clínico, originando uma variabilidade significativa entre observadores e comprometendo a consistência diagnóstica.

     Nos últimos anos, começaram a surgir abordagens complementares baseadas em inteligência artificial, em particular através da aplicação de redes neuronais profundas à análise de imagens endoscópicas. Modelos como o EfficientNet já mostraram capacidades para distinguir imagens do estômago com e sem sinais de metaplasia, enquanto o VGG-16 tem sido utilizado no apoio ao diagnóstico de metaplasia e atrofia gástrica (perda de glândulas do estômago). O modelo ResNet, quando aplicado com a técnica narrow-band imaging, permite uma análise mais detalhada da mucosa gástrica. Também arquiteturas como a DenseNet e a Inception evidenciaram potencial na classificação de padrões da mucosa gástrica. Estes avanços apontam para um futuro em que a prática clínica possa beneficiar de ferramentas mais consistentes e objetivas, embora persistam limitações importantes à sua implementação, como a necessidade de grandes volumes de dados anotados, a heterogeneidade dos conjuntos de imagens e a dificuldade em garantir um desempenho uniforme em diferentes contextos clínicos.

Em que consiste a inovação? Como é que é avaliado o impacto deste estudo?
     A inovação deste estudo residiu na comparação direta de cinco arquiteturas de redes neuronais profundas — VGG-16, ResNet-50, Inception-v3, DenseNet-121 e EfficientNet-b4 — para a deteção de metaplasia intestinal gástrica em imagens de endoscopia através de narrow-band imaging. Ao contrário de trabalhos anteriores, que analisavam modelos de forma isolada ou em contextos experimentais controlados, esta investigação utilizou dados provenientes da prática clínica real, recolhidos no departamento de gastrenterologia do Instituto Português de Oncologia do Porto. As imagens foram revistas por um gastroenterologista experiente e sujeitas a critérios de exclusão rigorosos — como diagnósticos incorretos ou baixa resolução— resultando num conjunto final de 125 imagens de alta qualidade, 65 classificadas como normais e 60 com evidência de metaplasia intestinal gástrica. Este processo assegurou que as redes fossem testadas em material representativo da realidade clínica, aumentando a relevância prática dos resultados.

     A avaliação do impacto baseou-se numa metodologia experimental robusta, com recurso a validação cruzada em 5 subconjuntos de dados: em cada ciclo, 4 eram usados para treinar o modelo e o restante para testar, repetindo o processo até que todos os subconjuntos fossem usados para teste. O desempenho de cada arquitetura foi medido através de métricas: sensibilidade (capacidade de identificar corretamente imagens de metaplasia), especificidade (capacidade de reconhecer corretamente imagens de mucosa normal), valores preditivos positivos e negativos (probabilidade  de dentro dos diagnósticos identificados como positivos, estes corresponderem de facto a metaplasia, assim com os negativos corresponderem realmente à normalidade), exatidão (percentagem de previsões corretas no total) e área sob a curva ROC, indicador da capacidade discriminativa global (variando entre 0 e 1, sendo 1 discriminação perfeita e 0,5 ausência de discriminação). Para reforçar a confiança nos resultados, foram realizada análises estatísticas detalhadas que permitiram comparar os modelos e identificar erros significativos.

Quais são os principais resultados? Qual é o futuro desta abordagem?
     Os resultados deste estudo demonstraram que, apesar do conjunto de dados ser reduzido, as redes neuronais profundas alcançaram desempenhos elevados, com exatidão entre 72% (EfficientNet-b4) e 82% (VGG-16). Entre as arquiteturas testadas, VGG-16 e ResNet-50 destacaram-se, apresentando áreas sob a curva ROC superiores a 0,80 e maior robustez diagnóstica. O VGG-16 revelou-se mais sensível à presença de metaplasia intestinal gástrica, enquanto a ResNet-50 mostrou-se mais específica na identificação de mucosa normal, um equilíbrio particularmente relevante em contexto clínico, pois a maior sensibilidade reduz falsos negativos e a maior especificidade reduz falsos positivos. Em contraste, a EfficientNet-b4 e a DenseNet-121 apresentaram menor consistência e resultados menos promissores, confirmando limitações na sua aplicabilidade em diferentes cenários clínicos. A análise estatística confirmou diferenças significativas entre os modelos de melhor e pior desempenho, enquanto a análise de erros revelou variabilidade entre os diferentes subconjuntos e dificuldades na adaptação a diferentes escalas de imagem: os modelos conseguiram interpretar situações com artefactos endoscópicos, como reflexos ou variações de iluminação, mas falharam em casos aparentemente simples, como imagens de alta ampliação. Em termos clínicos, o VGG-16 surge como a arquitetura mais promissora, pois a sua maior sensibilidade é particularmente relevante no seguimento dos doentes, assegurando ao mesmo tempo uma elevada exatidão.

     O futuro desta abordagem passa pela validação em conjuntos de dados mais amplos e diversificados, incluindo estudos multicêntricos, e pela integração em sistemas de apoio ao diagnóstico em tempo real, capazes de complementar a decisão clínica durante os exames. Para além disso, o desenvolvimento de modelos mais adaptativos poderá superar limitações técnicas atuais, reforçando a fiabilidade e consistência destas ferramentas. No plano da saúde pública, esta linha de investigação poderá transformar os programas de rastreio oncológico, tornando a deteção da metaplasia intestinal gástrica mais precoce, contribuindo para reduzir a mortalidade associada ao cancro gástrico.

Interessado em saber todos os detalhes?

Saiba mais aqui
Cadeira de rodas

Mobilidade autónoma de doentes em ambiente hospitalar

O transporte interno de doentes em instituições de saúde, embora à primeira vista possa parecer uma tarefa simples, representa uma operação logística complexa, contínua, exigente e demorada, que atravessa todos os níveis da organização hospitalar….

Ler mais
Voz em IA

O futuro do diagnóstico: Fala e IA

A fala é um biomarcador que reflete, de forma sensível, o funcionamento integrado de vários sistemas fisiológicos, nomeadamente o nervoso, o respiratório e o muscular. Esta complexidade torna-a um recurso promissor para a deteção de…

Ler mais
Literatura sobre os cuidados de saúde no futuro

O que revela a literatura sobre os cuidados de saúde no futuro

O setor da saúde vive uma transformação acelerada impulsionada pelo envelhecimento populacional, pela complexidade dos cuidados e pelos avanços digitais, num cenário que exige maior integração, sustentabilidade e adaptação a novas realidades como o Espaço…

Ler mais
Perturbação do sono

Uma intervenção digital para a Insónia em Oncologia

A insónia é uma perturbação do sono caracterizada por dificuldades persistentes em iniciar o sono, mantê-lo durante a noite ou alcançar um sono de qualidade. Estas dificuldades surgem mesmo na presença de condições adequadas para…

Ler mais
Sistema robótico autónomo INSIDE

Sistema robótico autónomo para a terapia do autismo

O transtorno do espetro do autismo é uma condição do neurodesenvolvimento com repercussões clínicas, sociais e económicas significativas ao longo da vida. Segundo a Organização Mundial de Saúde, estima-se que afete aproximadamente 1 em cada…

Ler mais
troca de informações de saúde e interoperabilidade

A nova era da interoperabilidade em sistemas de saúde

A crescente utilização de registos eletrónicos de saúde, sistemas de diagnóstico digital e tecnologias de monitorização remota tem levado a um aumento expressivo no volume e na complexidade dos dados em saúde. Este aumento intensifica…

Ler mais
robótica colaborativa

Robótica colaborativa melhora as condições de trabalho

Os trabalhadores enfrentam desafios crescentes no ambiente industrial. Entre os mais críticos estão a fadiga e as posturas inadequadas, frequentemente associadas a tarefas repetitivas e a condições de trabalho que carecem de adequação ergonómica. Estes…

Ler mais
Benefícios da Eletrônica Médica

Deteção da ansiedade e de ataques de pânico em tempo real

O crescente número de pessoas com transtornos de ansiedade, juntamente com o aumento da conscientização sobre a saúde mental, impulsiona a necessidade de novas ferramentas tecnológicas que forneçam a monitorização remota e contínua de transtornos…

Ler mais
Personalização e tecnologia na gestão da Diabetes

Personalização e tecnologia na gestão da diabetes

A crescente prevalência de doenças crónicas, particularmente DM, está a sobrecarregar os sistemas de saúde globais e a aumentar os custos dos cuidados de saúde devido à complexidade dos cuidados e à fraca integração, resultando…

Ler mais
TEF-HEALTH Logo

SPMS integra a iniciativa TEF-Health

A SPMS participa na iniciativa TEF-Health como parceira de um consórcio composto por 51 entidades de 9 países da União Europeia. Esta ação é cofinanciada pela Comissão Europeia e tem uma duração de cinco anos….

Ler mais
Global Digital Health Partnership Logo

SPMS representa Portugal como vice-presidente da GDHP

A GDHP é uma organização intergovernamental da área da saúde digital que facilita a cooperação e colaboração entre representantes governamentais e a Organização Mundial da Saúde (OMS), cujo propósito é fomentar o desenvolvimento de políticas…

Ler mais
HealthData@PT Logo

HealthData@PT: Nova iniciativa da SPMS para dados de saúde

A ação HealthData@PT é lançada no contexto da implementação do Espaço Europeu de Dados de Saúde, sendo uma iniciativa aprovada pela Comissão Europeia no âmbito do programa EU4Health 2021-2027. Esta iniciativa contribui para a transformação…

Ler mais

tem uma ideia inovadora
na área da saúde?

Partilhe-a connosco e veja-a ganhar vida.
Ajudamos a dar vida aos seus projetos!

Partilhar a minha ideia

Newsletter

Receba as novidades do
Portal InovarSaúde

Subscrever

Suporte

Perguntas Frequentes

Contactos

Manual do Utilizador

República Portuguesa logo
SNS Logo
SPMS Logo

Acompanhe-nos

YouTube
LinkedIn

Cofinanciado por :

PRR Logotipo
República Portuguesa logo
União Europeia Logo
Scroll to Top