IA no diagnóstico do câncer de tireoide: avanços e limitações atuais

O uso da inteligência artificial (IA) na medicina tem se expandido rapidamente, com impacto crescente em diversas áreas da radiologia, patologia e diagnóstico clínico. No contexto das doenças da tireoide, especialmente na avaliação de nódulos e no diagnóstico do câncer, algoritmos baseados em aprendizado de máquina e redes neurais profundas têm sido desenvolvidos para auxiliar na interpretação de exames de imagem, análise citológica, avaliação histopatológica e predição molecular.  

Nos últimos anos, avanços tecnológicos permitiram a disponibilização de sistemas comerciais capazes de realizar estratificação de risco automatizada em ultrassonografia, além de estudos promissores envolvendo avaliação de linfonodos cervicais e análise digital de lâminas citológicas e histológicas. Esses recursos têm potencial para reduzir variabilidade entre observadores, aumentar a acurácia diagnóstica e otimizar a tomada de decisão clínica, embora ainda existam limitações importantes relacionadas à validação, custo, integração tecnológica e responsabilidade médica.  

A ultrassonografia e a interpretação de resultados 

A ultrassonografia permanece como o principal método de imagem para avaliação inicial de nódulos tireoidianos, sendo recomendada por diretrizes internacionais como exame de primeira linha devido à sua disponibilidade, baixo custo e alta sensibilidade para detecção de lesões.  

A interpretação ultrassonográfica, entretanto, depende significativamente da experiência do examinador, e mesmo sistemas padronizados de classificação de risco, como ACR TI-RADS, ATA, EU-TIRADS e K-TIRADS, apresentam variabilidade entre diferentes observadores.  

Nesse contexto, onde entra a IA? 

Nesse contexto, a inteligência artificial foi incorporada como ferramenta auxiliar capaz de analisar imagens digitais e identificar automaticamente características associadas ao risco de malignidade, incluindo ecogenicidade, margens, formato, presença de microcalcificações e relação com estruturas adjacentes. Os sistemas atuais utilizam algoritmos treinados com grandes bases de dados previamente classificadas, permitindo estimar a probabilidade de malignidade e sugerir condutas baseadas em critérios estabelecidos.  

Diversas plataformas comerciais para análise de ultrassonografia da tireoide já receberam autorização regulatória após demonstração de equivalência com dispositivos previamente aprovados.  

Esses sistemas podem realizar detecção automática de nódulos, segmentação das lesões, cálculo de dimensões e classificação de risco segundo diferentes sistemas internacionais. Estudos clínicos demonstram que o uso dessas ferramentas pode melhorar a acurácia diagnóstica, especialmente entre profissionais com menor experiência, reduzindo tanto falsos positivos quanto biópsias desnecessárias.  

O que se pode concluir desse uso? 

Em análises comparativas, observou-se aumento da área sob a curva em avaliações realizadas com auxílio de software de IA, além de melhora na sensibilidade e especificidade em relação à interpretação isolada por observadores humanos. Entretanto, o benefício tende a ser menor entre especialistas com ampla experiência, o que sugere que a principal utilidade atual da IA é a padronização da interpretação e o suporte à decisão, e não a substituição do julgamento clínico.  

Além da análise de imagens ultrassonográficas convencionais, estudos recentes avaliaram a combinação de inteligência artificial com outras modalidades, como elastografia e Doppler, com o objetivo de aumentar a capacidade de discriminação entre lesões benignas e malignas.  

Resultados preliminares indicam que modelos integrados apresentam desempenho superior ao uso isolado de cada técnica, reforçando a tendência de desenvolvimento de sistemas multimodais. Essa abordagem pode ser particularmente útil em nódulos indeterminados ou em casos com citologia inconclusiva, nos quais a decisão entre acompanhamento e intervenção cirúrgica permanece desafiadora.  

O uso de modelos de linguagem e sistemas multimodais de inteligência artificial também tem sido investigado na avaliação de nódulos tireoidianos. Esses modelos são capazes de processar grandes volumes de dados e responder a perguntas clínicas, podendo integrar informações textuais e imagens. No entanto, estudos recentes demonstram que o desempenho desses sistemas ainda é inferior ao de softwares especializados em análise de imagem, com taxas relevantes de erro na classificação de malignidade.  

Possíveis limitações 

A limitação provavelmente decorre do treinamento em bases de dados heterogêneas e da dificuldade em interpretar adequadamente características ultrassonográficas complexas a partir de imagens isoladas. Dessa forma, recomenda-se cautela na utilização de modelos generalistas para tomada de decisão clínica, sendo essencial que qualquer ferramenta seja validada especificamente para o contexto em que será aplicada.  

IA na avaliação de linfonodos cervicais 

Outra área de interesse crescente é a aplicação da inteligência artificial na avaliação de linfonodos cervicais em pacientes já com diagnóstico de câncer de tireoide. A presença de metástases linfonodais influencia o estadiamento, a indicação cirúrgica e o seguimento pós-operatório, mas a detecção por ultrassonografia pode ser limitada, especialmente em compartimentos profundos.  

Algoritmos de aprendizado profundo têm sido utilizados para segmentação automática de linfonodos e classificação quanto à presença de características suspeitas, com desempenho semelhante ou superior ao de especialistas em alguns estudos.  

Meta-análises recentes sugerem que sistemas baseados em IA podem apresentar maior sensibilidade para detecção de metástases em comparação com observadores humanos, mantendo especificidade semelhante. Apesar disso, a aplicação clínica ainda é restrita, em parte devido à dificuldade de visualização completa das cadeias linfonodais e à necessidade de validação em populações diversas.  

Modelos preditivos indiretos também têm sido desenvolvidos para estimar o risco de metástase linfonodal a partir de características do tumor primário, como tamanho, localização, margens e relação com a cápsula tireoidiana. A combinação de dados clínicos e radiológicos em algoritmos de aprendizado de máquina tem demonstrado boa capacidade discriminatória, podendo auxiliar no planejamento cirúrgico e na decisão sobre dissecção linfonodal profilática. Esses modelos ainda não são amplamente utilizados, mas representam uma linha promissora de pesquisa, especialmente em centros com grande volume de pacientes. 

E na citopatologia? 

Na citopatologia, a inteligência artificial tem sido aplicada na análise de imagens digitalizadas de punção aspirativa por agulha fina, com o objetivo de reduzir subjetividade e melhorar a reprodutibilidade diagnóstica. Sistemas treinados com grandes bancos de imagens podem identificar padrões celulares associados à malignidade, diferenciar subtipos tumorais e auxiliar na classificação de amostras indeterminadas.  

Estudos multicêntricos demonstram elevada acurácia desses modelos, com melhora significativa no desempenho de citopatologistas menos experientes. Em alguns casos, a utilização de IA aumentou a especificidade diagnóstica e reduziu a taxa de resultados inconclusivos, o que pode diminuir a necessidade de repetição de biópsias ou cirurgia diagnóstica.  

IA na histopatologia 

Na histopatologia, algoritmos de aprendizado profundo têm sido capazes de analisar lâminas digitalizadas e identificar diferentes tipos de carcinoma tireoidiano, incluindo variantes papilíferas, medulares e anaplásicas. Sistemas experimentais também demonstraram capacidade de reconhecer focos microscópicos de carcinoma e de predizer alterações genéticas diretamente a partir da morfologia tumoral.  

Essa possibilidade é particularmente relevante, pois mutações como BRAF e rearranjos gênicos têm implicações prognósticas e terapêuticas. A predição molecular baseada em imagem pode, no futuro, complementar ou até reduzir a necessidade de testes adicionais, embora ainda sejam necessários estudos de validação antes da aplicação clínica rotineira.  

Desafios, barreiras, necessidade de aperfeiçoamento e recomendações de uso 

Apesar dos resultados promissores, a implementação prática da inteligência artificial enfrenta desafios técnicos e logísticos. A integração com sistemas de arquivamento de imagens, prontuários eletrônicos e plataformas de laudo é essencial para garantir fluxo de trabalho eficiente.  

Protocolos padronizados de comunicação, como DICOM e HL7, são necessários para permitir interoperabilidade entre diferentes equipamentos e softwares. Além disso, a segurança da informação deve ser considerada, especialmente quando sistemas utilizam armazenamento em nuvem ou transmissão de dados externos. Auditorias periódicas e avaliação prévia da infraestrutura são recomendadas antes da adoção de qualquer ferramenta.  

Outro ponto fundamental é a validação local dos algoritmos. Modelos treinados em populações específicas podem não apresentar o mesmo desempenho quando aplicados a diferentes equipamentos, protocolos ou características demográficas.  

Por esse motivo, recomenda-se testar o sistema com casos da própria instituição antes da implementação definitiva. Essa etapa permite identificar limitações, treinar a equipe e estabelecer protocolos de uso adequado. O monitoramento contínuo após a implantação também é importante, pois o desempenho pode variar ao longo do tempo conforme o perfil dos pacientes atendidos.  

A usabilidade do sistema é um fator determinante para a adoção. Ferramentas que exigem etapas adicionais ou que dificultam o fluxo de trabalho tendem a ser abandonadas, mesmo quando apresentam bom desempenho técnico. Idealmente, o software deve estar integrado ao sistema de visualização de imagens e permitir análise automática sem necessidade de transferência manual de arquivos. A possibilidade de revisar e modificar as classificações sugeridas pelo algoritmo também é essencial, garantindo que o médico mantenha controle sobre a decisão final.  

Aspectos financeiros representam outro obstáculo importante. A aquisição de sistemas de inteligência artificial pode envolver custos elevados de software, hardware e armazenamento de dados, além de despesas com treinamento e manutenção. Atualmente, não existem modelos de reembolso amplamente estabelecidos para a maioria das aplicações em tireoide, o que limita o interesse de muitas instituições.  

Embora códigos específicos tenham sido criados para registrar o uso de IA em exames de imagem, eles não garantem remuneração adicional. A adoção tende a ser maior em centros com grande volume de exames, onde o ganho de eficiência pode compensar o investimento inicial.  

Questões legais e éticas também devem ser consideradas. A responsabilidade pelo diagnóstico permanece com o médico, mesmo quando o laudo é auxiliado por inteligência artificial. O uso inadequado da tecnologia, seja por dependência excessiva ou por desconsiderar recomendações baseadas em evidência, pode gerar implicações médico-legais. 

Dessa forma, recomenda-se que a IA seja utilizada como ferramenta complementar, e não como substituto da avaliação clínica. Protocolos institucionais claros, documentação do uso do sistema e treinamento adequado da equipe são medidas importantes para reduzir riscos.  

Mensagem final 

Em síntese, a inteligência artificial tem potencial significativo para aprimorar o diagnóstico do câncer de tireoide, especialmente na análise de ultrassonografia, citologia e histopatologia. No entanto, sua incorporação na prática clínica deve ser realizada de forma criteriosa, considerando evidência científica, validação local, impacto no fluxo de trabalho e custo-efetividade.  

A tendência é de expansão gradual do uso dessas tecnologias, à medida que novos sistemas sejam desenvolvidos, estudos confirmem sua eficácia e modelos de remuneração sejam estabelecidos. A participação ativa do médico continuará sendo essencial, garantindo que a tecnologia seja utilizada para apoiar, e não substituir, o julgamento clínico.