Uma IA “plug-and-play” reconhece 18 tipos de câncer a partir de poucas lâminas

A maioria das ferramentas de IA médica compartilha uma limitação teimosa: são treinadas para uma tarefa específica em um hospital específico, e levá-las a uma nova instituição, sistema de imagem ou população de pacientes costuma exigir treiná-las do zero. Essa fragilidade é um dos motivos pelos quais modelos diagnósticos poderosos raramente chegam às clínicas que mais precisam deles. Um sistema descrito na Nature Cancer em abril de 2026 adota outra abordagem.

Chamado PRET, o sistema foi criado por uma equipe de pesquisa liderada pela professora Li Xiaomeng, da Universidade de Ciência e Tecnologia de Hong Kong, em colaboração com o Hospital Popular Provincial de Guangdong e a Harvard Medical School. Sua ideia central é emprestada dos modelos de linguagem que movem os chatbots modernos: o “aprendizado em contexto”. Em vez de ser reajustado para cada nova tarefa, o PRET se adapta na hora ao observar apenas uma a oito lâminas de exemplo anotadas de um tipo de câncer que nunca viu — assim como uma pessoa aprende uma categoria nova a partir de alguns exemplos.

“Essa fragilidade é um dos motivos pelos quais modelos diagnósticos poderosos raramente chegam às clínicas que mais precisam deles.”

O desempenho se manteve em uma avaliação exigente, abrangendo 18 tipos de câncer e 23 conjuntos de dados de referência internacionais de instituições da China continental, dos Estados Unidos e dos Países Baixos. A área sob a curva do PRET — medida padrão de precisão diagnóstica — superou 97% em 15 tarefas, chegando a 100% no rastreamento de câncer colorretal e a 99,54% na segmentação do carcinoma espinocelular de esôfago. Na detecção de metástase em linfonodos, alcançou uma AUC de cerca de 98,71% usando apenas oito lâminas de referência, superando a média de 11 patologistas, cuja AUC ficou em torno de 81%.

O valor prático está justamente nessa flexibilidade. Um único sistema adaptável, que um hospital possa apontar para um novo tipo de câncer sem um custoso projeto de retreinamento, poderia colocar um apoio de patologia de nível especializado ao alcance de laboratórios menores e de regiões com poucos patologistas especialistas. Em vez de substituir patologistas, uma ferramenta assim poderia cuidar do rastreamento de rotina e sinalizar casos difíceis para revisão humana, liberando os especialistas para atuar onde seu julgamento mais importa.

Como em qualquer resultado de benchmark, o salto para o diagnóstico do dia a dia exigirá validação prospectiva em fluxos clínicos reais e supervisão cuidadosa para garantir que a ferramenta funcione de forma justa em diferentes populações e métodos de preparo de tecido. Mas a filosofia de projeto é discretamente importante: uma IA que aprende com poucos exemplos, em vez de exigir uma montanha de dados específicos de cada instituição, é exatamente o tipo de ferramenta que pode chegar aonde o cuidado é mais escasso.