Nova ferramenta de IA para o tratamento do câncer

• Cientistas da Harvard Medical School projetaram um modelo de IA versátil, semelhante ao ChatGPT, capaz de realizar diversas tarefas diagnósticas em vários tipos de câncer
• Esse novo sistema de IA vai um passo além de muitas das abordagens atuais de IA para diagnóstico de câncer
• Os sistemas de IA atuais normalmente são treinados para executar tarefas específicas, como detectar a presença de câncer ou prever o perfil genético de um tumor, e tendem a funcionar apenas em um pequeno número de tipos de câncer
• Em contraste, o novo modelo pode executar uma ampla gama de tarefas, foi testado em 19 tipos de câncer e tem flexibilidade semelhante à de grandes modelos de linguagem como o ChatGPT
• Recentemente surgiram outros modelos fundamentais de IA para diagnóstico médico com base em imagens patológicas, mas este é considerado o primeiro modelo a prever desfechos de pacientes e a ser validado em vários grupos internacionais de pacientes
• Modelo de IA que funciona com a leitura de lâminas de tecido tumoral
  • Detecta células cancerosas e prevê o perfil molecular do tumor com base nas características celulares visíveis na imagem, com precisão superior à da maioria dos sistemas atuais de IA
  • Prevê a sobrevida dos pacientes em vários tipos de câncer e identifica com precisão características do tecido ao redor do tumor (microambiente tumoral) relacionadas à resposta do paciente a tratamentos padrão, como cirurgia, quimioterapia, radioterapia e imunoterapia
  • Também parece ser capaz de gerar novos insights, como identificar características específicas do tumor que não eram conhecidas por estarem relacionadas à sobrevida dos pacientes
• A equipe afirma que há evidências crescentes de que esses resultados podem melhorar a capacidade dos clínicos de avaliar o câncer com eficiência e precisão, inclusive identificando pacientes que talvez não respondam bem ao tratamento padrão contra o câncer
• Kun-Hsing Yu disse: "Se houver mais validação e ampla implantação, abordagens como a nossa poderão identificar precocemente pacientes com câncer que podem se beneficiar de terapias experimentais direcionadas a alterações moleculares específicas"

Treinamento e desempenho

• O estudo mais recente da equipe se baseia em trabalhos anteriores de Yu sobre sistemas de IA para avaliação de câncer colorretal e tumores cerebrais. Estudos anteriores demonstraram a viabilidade dessa abordagem dentro de tipos específicos de câncer e tarefas específicas
• O novo modelo, chamado CHIEF (Clinical Histopathology Imaging Evaluation Foundation), foi treinado dividindo 15 milhões de imagens sem rótulo em seções de interesse
• A ferramenta também recebeu treinamento adicional com 60.000 imagens de lâminas inteiras de tecidos, incluindo pulmão, mama, próstata, colorretal, estômago, esôfago, rim, cérebro, fígado, tireoide, pâncreas, colo do útero, útero, ovário, testículo, pele, tecido mole, glândula adrenal e bexiga
• Ao treinar o modelo para observar tanto seções específicas das imagens quanto a imagem inteira, foi possível relacionar mudanças específicas em uma área ao contexto geral. Os pesquisadores afirmam que essa abordagem permitiu ao CHIEF interpretar as imagens de forma mais holística, considerando um contexto mais amplo em vez de focar apenas em áreas específicas
• Após o treinamento, a equipe testou o desempenho do CHIEF em mais de 19.400 imagens de lâminas inteiras de 32 conjuntos de dados independentes coletados em 24 hospitais e coortes de pacientes ao redor do mundo
• No geral, o CHIEF superou outros métodos de IA de ponta em até 36% em tarefas como detecção de células cancerosas, identificação da origem do tumor, previsão de desfechos dos pacientes e identificação de padrões genéticos e de DNA relacionados à resposta ao tratamento
• Graças ao treinamento diversificado, o CHIEF teve desempenho igualmente bom independentemente de as células tumorais terem sido obtidas por biópsia ou por ressecção cirúrgica
• Também manteve a mesma precisão independentemente da tecnologia usada para digitalizar amostras de células cancerosas
• Os pesquisadores dizem que essa adaptabilidade permite usar o CHIEF em diversos ambientes clínicos e representa um passo importante além dos modelos atuais, que tendem a ter bom desempenho apenas ao interpretar tecidos obtidos por tecnologias específicas

Detecção de câncer

• O CHIEF alcançou quase 94% de precisão na detecção de câncer e superou significativamente as abordagens atuais de IA em 15 conjuntos de dados que incluíam 11 tipos de câncer
• Em 5 conjuntos de dados de biópsias coletados em coortes independentes, o CHIEF alcançou 96% de precisão em vários tipos de câncer, incluindo esôfago, estômago, colorretal e próstata
• Quando os pesquisadores testaram o CHIEF em lâminas cirúrgicas de tumores colorretais, pulmonares, mamários, endometriais e cervicais que o modelo nunca havia visto antes, ele apresentou precisão superior a 90%

Previsão do perfil molecular do tumor

• A composição genética de um tumor fornece pistas importantes para determinar seu comportamento futuro e o tratamento mais adequado
• Para obter essas informações, oncologistas solicitam o sequenciamento de DNA de amostras tumorais, mas esse perfil genômico detalhado do tecido canceroso não é realizado de forma rotineira nem uniforme em todo o mundo por causa de custo e tempo
• O CHIEF superou os métodos atuais de IA na previsão de alterações genômicas do tumor a partir da observação de lâminas ao microscópio
• Essa nova abordagem de IA identificou com sucesso características associadas a vários genes importantes relacionados ao crescimento e à supressão do câncer, além de prever alterações genéticas-chave ligadas ao quanto um tumor pode responder a diferentes tratamentos padrão
• O CHIEF também detectou padrões específicos de DNA ligados à capacidade de tumores colorretais responderem a uma forma de imunoterapia chamada bloqueio de checkpoint imunológico
• Ao analisar imagens completas do tecido, o CHIEF identificou mutações em 54 genes de câncer frequentemente alterados com precisão geral acima de 70%, superando os atuais métodos de IA de ponta para previsão genômica do câncer. A precisão foi ainda maior para genes específicos em certos tipos de câncer
• A equipe também testou a capacidade do CHIEF de prever mutações associadas à resposta a terapias-alvo aprovadas pela FDA em 18 genes distribuídos por 15 locais anatômicos. O CHIEF alcançou alta precisão em vários tipos de câncer, incluindo 96% na detecção de mutações no gene EZH2, comum em um câncer hematológico chamado linfoma difuso de grandes células B, 89% para mutações no gene BRAF em câncer de tireoide e 91% para mutações no gene NTRK1 em câncer de cabeça e pescoço

Previsão de sobrevida dos pacientes

• O CHIEF previu com sucesso a sobrevida dos pacientes com base em imagens histopatológicas do tecido tumoral obtidas no diagnóstico inicial
• Em todos os tipos de câncer e grupos de pacientes estudados, o CHIEF distinguiu pacientes com sobrevida longa daqueles com sobrevida curta
• O CHIEF apresentou desempenho 8% melhor do que outros modelos e, em pacientes com câncer avançado, teve desempenho 10% superior ao de outros modelos de IA
• A capacidade do CHIEF de prever alto risco de morte versus baixo risco de morte foi testada e confirmada em amostras de pacientes de 17 instituições diferentes

Extração de novos insights sobre o comportamento tumoral

• O modelo identificou padrões característicos nas imagens relacionados à agressividade do tumor e à sobrevida dos pacientes
• Para visualizar essas áreas de interesse, o CHIEF gerou mapas de calor nas imagens. Quando patologistas humanos analisaram esses hotspots derivados por IA, observaram sinais interessantes que refletiam a interação entre as células cancerosas e o tecido ao redor
• Uma dessas características era a presença de um número maior de células imunes nas áreas tumorais de sobreviventes de longo prazo em comparação com sobreviventes de curto prazo. Yu observou que essa descoberta faz sentido, porque uma presença maior de células imunes pode indicar que o sistema imunológico foi ativado para atacar o tumor
• Ao observar tumores de sobreviventes de curto prazo, o CHIEF identificou áreas de interesse caracterizadas por proporções anormais de tamanho entre diferentes componentes celulares, mais características atípicas nos núcleos celulares, conexões mais fracas entre as células e menor presença de tecido conjuntivo nas áreas ao redor do tumor. Esses tumores também apresentavam mais células morrendo ao redor. Por exemplo, em tumores de mama, o CHIEF apontou a presença de necrose no tecido (morte celular precoce) como uma área de interesse. Em contraste, cânceres de mama com maior taxa de sobrevida tinham maior probabilidade de preservar estruturas celulares semelhantes às de tecidos saudáveis. A equipe explicou que as características visuais e as áreas de interesse relacionadas à sobrevida variavam de acordo com o tipo de câncer

Próximos passos

Os pesquisadores afirmam que pretendem melhorar o desempenho e expandir as capacidades do CHIEF das seguintes formas:

• Realizar treinamento adicional com imagens de tecidos de doenças raras e condições não cancerosas
• Incluir amostras de tecidos pré-cancerosos, antes de as células se tornarem totalmente cancerosas
• Expor o modelo a mais dados moleculares para melhorar sua capacidade de identificar cânceres com diferentes níveis de agressividade
• Treinar o modelo para prever benefícios e efeitos colaterais de novos tratamentos contra o câncer, além dos tratamentos padrão

Opinião do GN⁺

• Este estudo mostra o avanço da tecnologia de IA para diagnóstico de câncer e planejamento terapêutico. Em especial, é significativo por ter desenvolvido um modelo de uso geral aplicável a vários tipos de câncer
• No entanto, para aplicação real no ambiente clínico, ainda será necessário validá-lo com mais dados e criar formas de colaboração eficaz entre médicos e IA. Também permanecem desafios como a precisão do diagnóstico e a questão da responsabilidade
• Entre tecnologias semelhantes estão empresas como Paige.AI e Proscia, que diagnosticam câncer por meio da análise de imagens patológicas. Elas oferecem soluções especializadas em tipos específicos de câncer, o que as diferencia deste estudo em termos de versatilidade
• A adoção de tecnologias de diagnóstico de câncer baseadas em IA exigirá diversos consensos sociais e ajustes institucionais, como mudanças no papel dos profissionais de saúde, melhorias no processo diagnóstico e ajustes na remuneração médica. Ao mesmo tempo, riscos técnicos e éticos, como vieses da IA e questões de privacidade, também precisarão ser cuidadosamente avaliados
• Se no futuro forem desenvolvidas tecnologias de IA capazes de analisar de forma integrada até as características de biologia molecular dos tecidos cancerosos e prever a resposta a medicamentos, isso poderá contribuir significativamente para a implementação da medicina de precisão