Plataforma de Patômica por Deep Learning Pode Prever Resposta à Imunoterapia no Câncer de Pulmão

Uma plataforma de patômica baseada em deep learning previu com precisão os resultados e a resposta à imunoterapia em pacientes com câncer de pulmão de células não pequenas (NSCLC) metastático, de acordo com um estudo apresentado no Encontro Anual da American Association for Cancer Research (AACR) 2026. O modelo de inteligência artificial guiado por biologia, chamado Pathology-driven Immunotherapy Optimization (Path-IO), foi aplicado a lâminas de patologia de rotina e superou o PD-L1, o biomarcador padrão atual.

Os pesquisadores desenvolveram o Path-IO como um modelo de previsão de sobrevivência por deep learning que analisa imagens de lâminas de patologia e identifica características específicas, ou nichos, dentro do microambiente tumoral. Ao combinar esses padrões teciduais com dados de imagem e clínicos, o modelo estima se um paciente apresenta risco maior ou menor de resultados ruins com a imunoterapia. O estudo incluiu 797 pacientes com NSCLC tratados com inibidores de checkpoint imunológico do UT MD Anderson Cancer Center, com validação externa em 280 pacientes adicionais da Mayo Clinic, Gustave Roussy e do ensaio clínico de fase III Lung-MAP S1400I. Na coorte do UT MD Anderson, os pacientes do grupo de alto risco apresentaram mais que o dobro do risco de morte ou progressão da doença em comparação com aqueles do grupo de baixo risco, e estratificação comparável foi observada nos conjuntos de dados de validação.

O desempenho foi medido usando o índice de concordância (C-index). O Path-IO alcançou C-indices de 0,69 para sobrevida global (OS) e 0,65 para sobrevida livre de progressão (PFS) na coorte de descoberta, e 0,63 para OS e 0,58 para PFS na coorte de teste. Em contraste, o PD-L1 teve C-indices de 0,58 (OS) e 0,57 (PFS) na coorte de descoberta, diminuindo para 0,50 e 0,51 na coorte de teste. Combinar as previsões baseadas em patologia com radiômica e dados clínicos melhorou ainda mais o C-index, de 0,58 para 0,70 para PFS e de 0,63 para 0,75 para OS.

Ao contrário de estudos patômicos anteriores, o Path-IO é uma abordagem guiada pela biologia que fundamenta suas previsões em estruturas teciduais familiares aos clínicos, refletindo como os patologistas interpretam naturalmente o tecido. As previsões do modelo se correlacionaram com dados de perfil imune e imagens multiplex, pois escores de risco mais altos corresponderam a fenótipos com menor probabilidade de serem sensíveis à imunoterapia. Isso fornece evidências biológicas para explicar por que certos pacientes podem ter resultados melhores ou piores. Como a abordagem usa lâminas de patologia de rotina, se validada como ferramenta preditiva, poderia ser incorporada nos fluxos de trabalho clínicos existentes sem custos significativos. O estudo representa o primeiro biomarcador patômico baseado em deep learning rigorosamente validado em coortes reais internacionais e em um ensaio clínico randomizado de fase III.