Precisão Diagnóstica das Arquiteturas de IA em Aprendizado de Máquina na Detecção e Classificação do Câncer de Pulmão: Uma Revisão Sistemática

A aplicação da inteligência artificial (IA) em imagem diagnóstica ganhou interesse significativo nos últimos anos, particularmente na detecção de câncer de pulmão. Esta revisão sistemática tem como objetivo avaliar a precisão dos algoritmos de IA em aprendizado de máquina (AM) na detecção de câncer de pulmão, identificar as arquiteturas de AM atualmente em uso e avaliar a relevância clínica desses métodos de imagem diagnóstica. Foi realizada uma busca sistemática nas bases de dados PubMed, Web of Science, Cochrane e Scopus em fevereiro de 2023, abrangendo a literatura publicada até dezembro de 2022. A revisão incluiu nove estudos, compreendendo cinco estudos de caso-controle, três estudos de coorte retrospectiva e um estudo de coorte prospectiva. Várias arquiteturas de AM foram analisadas, incluindo rede neural artificial (RNA), método de degradação de entropia (MDE), rede neural probabilística (RNP), máquina de vetor de suporte (MVS), processo de decisão de Markov parcialmente observável (POMDP) e rede neural de floresta aleatória (RNFA). As arquiteturas de AM demonstraram resultados promissores na detecção e classificação de câncer de pulmão em diversos tipos de lesões. A sensibilidade dos algoritmos de AM variou de 0,81 a 0,99, enquanto a especificidade variou de 0,46 a 1,00. A precisão dos algoritmos de AM variou de 77,8% a 100%. As arquiteturas de IA foram bem-sucedidas em diferenciar entre lesões malignas e benignas e em detectar câncer de pulmão de pequenas células (CPPC) e câncer de pulmão não pequenas células (CPNPC). Esta revisão sistemática destaca o potencial das arquiteturas de IA em AM na detecção e classificação do câncer de pulmão, com diferentes níveis de precisão diagnóstica. Mais estudos são necessários para otimizar e validar esses algoritmos de IA, bem como para determinar sua relevância clínica e aplicabilidade na prática rotineira.