Busca-se investigar e analisar a atual situação dos métodos de inteligência artificial (IA) e machine learning (ML) para o diagnóstico de leucemia mieloide aguda (LMA), sua acurácia, seus desafios e suas possibilidades para o futuro.

Trata-se de uma revisão crítica dos métodos de IA e ML para o diagnóstico de LMA. Foram pesquisados os termos “artificial intelligence”, “acute myeloid leukemia” e “diagnosis” na base de dados PubMed. Seis artigos foram escolhidos para a análise por sua inovação e atualidade.

A ML é parte da IA que busca desenvolver algoritmos para diversas aplicações, aprendendo pelos dados apresentados e formando tarefas. No contexto de diagnóstico de LMA, a ML se apresenta na criação e uso de algoritmos supervisionados, a fim de estudar uma amostra e compará-la com anteriores, reconhecendo padrões que são compatíveis com o resultado pré-definido. Sobre os diferentes métodos de ML, observou-se a importância desses: Floresta aleatória (RF), Deep Learning (DL) em forma de Rede neural convolucional (CNN) e Agregação multidimensional de fenótipos (MDPC). Sobre os diferentes materiais usados de amostra, estão principalmente imagens - esfregaços de medula óssea (BMS) e citometria de fluxo multiparamétrica (MFC). Em mais de um dos estudos que usam CNN na análise de imagens de BMS, a acurácia observada para diferenciar LMA de outras neoplasias mieloides ou de indivíduos saudáveis foi > 90%. Outro estudo que usou MDPC para analisar MFC de pacientes com LMA e pacientes com alterações não-neoplásicas mostrou consistência de 0.976. Além disso, através de um modelo de RF, foram analisadas qualitativa e quantitativamente as células normais e anormais, diferenciando subtipos de LMA. Outro estudo que utilizou um algoritmo DL multietapas em imagens de BMS, previu mutação de Nucleofosfomicina1 a partir da citomorfologia dos mieloblastos. Outras análises verificaram as mutações genéticas na LMA através de ML, e concluíram que ao menos uma mutação somática foi detectada em 85,5% dos pacientes e que os diferentes clusters genômicos mostram prognósticos diferentes.

O diagnóstico de LMA atualmente é feito pela combinação de achados clínicos, morfológicos, citogenéticos e moleculares. Nesse sentido, a abordagem de ML e IA fornece um método rápido, escalável e altamente preciso para identificar amostras de LMA, promovendo um sistema padronizado isento de fator humano - o que aumentaria a acurácia e eficiência diagnóstica. Contudo, ainda há uma série de limitações ao seu uso, como o trabalho complexo para desenvolver dados completos e adequadamente classificados, o risco da perda da privacidade dos dados e a dificuldade da criação de padrões universais para as diferentes populações, considerando fatores socioeconômicos e étnicos. Para tentar lidar com essas limitações, é importante que no futuro sejam criadas leis complexas de proteção dos dados e algoritmos que considerem o perfil da população com suas particularidades.

O avanço da IA no campo da LMA mostra-se promissor, podendo auxiliar o médico hematologista na tomada de decisão e acelerar o diagnóstico. Sua aplicação na prática clínica, entretanto, ainda enfrenta desafios.