Novo modelo de IA prevê mutações do TP53 em 32 tipos de câncer; modelos de EGFR mostram variabilidade por ancestralidade
Novo modelo de IA prevê mutações de TP53 em 32 tipos de câncer. Modelos de predição de EGFR variam conforme a ancestralidade. Revisão sobre patologia mamária constata que a IA melhora a precisão, mas aponta barreiras.
Pesquisadores desenvolveram um novo modelo de IA capaz de analisar uma imagem histopatológica inteira de rotina e prever simultaneamente o subtipo de câncer, mutações genéticas específicas e desfechos de sobrevida em 32 cânceres sólidos. Um estudo separado que avaliou dois modelos de IA de código aberto para predição de EGFR constatou que o desempenho dos modelos varia conforme a ancestralidade dos pacientes, com queda de precisão em pacientes asiáticos.
O modelo de IA Vision Transformer foi treinado em um conjunto de dados que incluiu mais de 11.000 casos de tumores primários obtidos do Pan-Cancer Atlas, com dados correspondentes de mutação somática, sequenciamento de RNA e desfechos clínicos. Ele alcançou um forte índice de precisão preditiva (AUROC de 0,766) para a detecção de mutações no TP53 em 32 tipos de tumores sólidos em um conjunto de validação independente de 1.729 lâminas. O modelo também demonstrou capacidade de inferir níveis de expressão de RNA do TP53 e a taxonomia do tumor diretamente das imagens de lâmina inteira. Como as imagens de lâmina inteira são extremamente grandes e complexas, os pesquisadores utilizaram uma estratégia de aprendizado fracamente supervisionado, permitindo que o modelo aprendesse a partir de rótulos no nível da lâmina, sem exigir anotações exaustivas em nível de pixel ou região. Os achados do estudo no The American Journal of Pathology, publicado pela Elsevier, destacam o potencial da patologia computacional para conectar a imagem diagnóstica de rotina à oncologia molecular.
O pesquisador coprincipal do Menzies Institute for Medical Research e da School of Medicine, Universidade da Tasmânia, explicou: “O perfil molecular padrão para mutações de TP53 costuma ser caro e inacessível em ambientes clínicos carentes ou remotos. Desenvolvemos um único modelo que pode gerar sete resultados simultaneamente a partir da imagem histopatológica completa, incluindo status de mutação do TP53, expressão de RNA do TP53, tipo de tumor e desfechos relacionados à sobrevida no nível da lâmina.” Outro pesquisador coprincipal observou que a abordagem pode ajudar a identificar pacientes que podem se beneficiar de testes moleculares confirmatórios, apoiar a triagem em ambientes com testagem genômica limitada e fornecer suporte adicional à decisão clínica, enfatizando que deve ser complementar ao teste molecular, e não um substituto.
Em um estudo com pacientes com adenocarcinoma de pulmão (LUAD), os pesquisadores validaram a reprodutibilidade de dois modelos de IA de código aberto, EAGLE e DeepGEM, para a predição de EGFR a partir de imagens de lâmina inteira coradas com hematoxilina-eosina (H&E). As AUCs reproduzidas no conjunto de dados TCGA LUAD (n = 463) corresponderam aos resultados publicados: 0,89 (IC 95%, 0,85-0,93) para EAGLE e 0,88 (IC 95%, 0,82-0,93) para DeepGEM. No total, foram incluídos 2.098 pacientes com LUAD. Na coorte do Dana-Farber Cancer Institute (DFCI) (n = 1.759), o EAGLE apresentou AUC de 0,83 (IC 95%, 0,81-0,85) vs 0,68 (IC 95%, 0,65-0,70) para o DeepGEM. Na coorte TNM-I baseada na UE (n = 339), o EAGLE superou novamente o DeepGEM com AUC de 0,81 (IC 95%, 0,74-0,88) vs 0,75 (IC 95%, 0,68-0,83).
As mutações de EGFR foram mais frequentes entre pacientes asiáticos (60 [63%]), seguidas por pacientes africanos (17 [31%]) na coorte do DFCI. O EAGLE manteve desempenho robusto (AUC >0,80) na maioria dos grupos de ancestralidade, mas sua AUC caiu para 0,68 (IC 95%, 0,55-0,78) em pacientes asiáticos. O estudo também observou que, em uma pesquisa global recente em 90 países, mais de 40% dos médicos relataram tratar pacientes antes da disponibilidade dos resultados de biomarcadores, com custo, tempo de resposta, qualidade da amostra e acesso identificados como principais barreiras.
Uma revisão separada sobre IA em patologia mamária constatou que a inteligência artificial está reformulando a patologia mamária diagnóstica ao melhorar a precisão diagnóstica, a eficiência e a reprodutibilidade. A revisão documenta aplicações clínicas, incluindo detecção de metástases em linfonodos, gradação de Nottingham, classificação de benigno versus maligno, quantificação automatizada de biomarcadores, predição prognóstica, estratificação de risco e análise do microambiente tumoral. As barreiras comuns à implementação no mundo real incluem qualidade e viés dos dados, questões regulatórias, custo e infraestrutura, e o desafio de integrar as ferramentas aos fluxos de trabalho laboratoriais existentes.