A patologia, pedra angular no diagnóstico de diversas doenças especialmente o câncer, está passando por uma revolução impulsionada pela inteligência artificial. Com a crescente demanda por laudos e um número insuficiente de patologistas em várias partes do mundo, pesquisadores vêm desenvolvendo modelos de IA capazes de apoiar (e até replicar) parte do processo diagnóstico. Mas, apesar dos avanços promissores, ainda existem dúvidas sobre sua aplicação clínica em larga escala.
A publicação da revista Nature de 23 de maio de 2025, mostra como o uso da IA pode melhorar a acurácia, reprodutibilidade e eficiência dos diagnósticos, além de permitir novas pesquisas em larga escala com dados patológicos e moleculares. A digitalização crescente das lâminas histológicas — possibilitando a visualização em tela em vez de microscópios — abriu espaço para que engenheiros desenvolvessem assistentes inteligentes para patologistas.
Essas ferramentas destacam áreas suspeitas nos tecidos, como também padronizam diagnósticos e revelam padrões invisíveis ao olho humano. E mais: alguns modelos chegam a simular o fluxo completo do trabalho patológico — da análise da lâmina à redação do laudo.
Ao contrário dos primeiros sistemas de IA desenvolvidos para tarefas específicas, os chamados foundation models são modelos treinados para se adaptar a uma variedade de aplicações sem a necessidade de treinamento específico para cada uma.
Inspirados por avanços em modelos de linguagem como o ChatGPT, pesquisadores como Faisal Mahmood (Harvard Medical School) e Hao Chen (Hong Kong University of Science and Technology) lançaram modelos visuais e multimodais que transformaram o campo. Entre eles, destacam-se:
-
UNI e UNI 2: modelo de uso geral em patologia, treinado com mais de 200 milhões de imagens de mais de 350 mil lâminas. Superou modelos de ponta em dezenas de tarefas, como detecção de metástases e subtipagem de tumores.
-
CONCH (Contrastive Learning from Captions for Histopathology): combina imagens com texto médico de bases como o PubMed para classificar subtipos de câncer, identificar mutações como BRCA com mais de 90% de acurácia e até gerar descrições automáticas de imagens.
-
mSTAR (Multimodal Self-taught Pretraining): integra perfis de expressão gênica, imagens e textos para tarefas como detecção de metástases e subtipagem de tumores.
-
GigaPath (Microsoft): treinado com mais de 170 mil lâminas de 28 centros oncológicos dos EUA, voltado à subtipagem tumoral.
Esses modelos estão disponíveis publicamente na plataforma Hugging Face e já somam mais de 1,5 milhão de downloads, com aplicações práticas em classificação de tumores, previsão de prognóstico e identificação de biomarcadores.
PathChat e SmartPath: os "copilotos" da patologia
Com o avanço dos modelos, surgiram os copilotos — assistentes conversacionais baseados em IA. O PathChat, por exemplo, combina o UNI com um modelo de linguagem treinado com quase 1 milhão de perguntas e respostas baseadas em literatura científica. Ele pode conversar com patologistas, interpretar imagens e gerar laudos. Já recebeu a designação de dispositivo inovador (breakthrough device) da FDA.
Na China, o SmartPath, desenvolvido por Chen e sua equipe, está sendo testado em hospitais com foco em câncer de mama, pulmão e cólon. Ambos já possuem funcionalidades avançadas de tomada de decisão autônoma, incluindo sugestão de exames complementares e priorização de casos suspeitos.
Apesar do entusiasmo, especialistas alertam para a falta de validação robusta desses modelos. Em testes independentes utilizando uma abordagem zero-shot com dados do Cancer Genome Atlas, muitos modelos não performaram melhor do que um chute aleatório. Um dos principais problemas identificados foi o overfitting, quando os modelos performam bem apenas em dados semelhantes aos do treinamento.
A ausência de diretrizes regulatórias para modelos generativos na saúde é outro gargalo. A FDA ainda não possui parâmetros definidos para aprovar esse tipo de tecnologia. Além disso, há riscos como a “alucinação” de informações — respostas incorretas fabricadas por chatbots — que podem comprometer diagnósticos e tratamentos.
Outros desafios incluem:
-
Falta de generalização: modelos treinados em populações homogêneas podem falhar em minorias. O caso do Oncotype DX, menos eficaz em mulheres negras, é um exemplo emblemático.
-
Caixa-preta algorítmica: muitos modelos não oferecem explicações claras sobre como chegaram a determinada conclusão diagnóstica.
-
Explicabilidade e confiança clínica: esforços estão sendo feitos para tornar os modelos mais transparentes. A equipe de Chen trabalha para traçar o caminho lógico das decisões do modelo, aumentando a confiança dos profissionais.
Com o intuito de garantir maior confiabilidade, iniciativas como a da equipe de Tizhoosh, em colaboração com centros como Memorial Sloan Kettering e MD Anderson, estão promovendo desafios com mais de 150 milhões de imagens para treinamento e validação independente. Já o projeto UNICORN, liderado por Francesco Ciompi (Radboud University), testará modelos em 20 tarefas de patologia, buscando estabelecer benchmarks sólidos.
Para Jakob Kather, oncologista na Universidade Técnica de Dresden, a revolução da IA na patologia está apenas começando, mas sua aplicação clínica ampla ainda deve levar de dois a três anos. Enquanto alguns temem uma nova onda de decepção com as promessas da IA, outros acreditam que o potencial está apenas sendo arranhado.
Referência:
Kwon, D. (2025, May 23). How artificial intelligence is transforming pathology. Nature. https://www.nature.com/articles/d41586-025-01576-0