A radiômica baseada em aprendizado de máquina é confiável para prever instabilidade de microssatélites em câncer colorretal?
Resposta curta: A revisão sistemática mostrou que os modelos de radiômica têm bom desempenho na predição de instabilidade de microssatélites em câncer colorretal, com AUC mediana de 0,83 na validação externa, mas a qualidade metodológica insuficiente ainda impede o uso clínico rotineiro.
Resposta
A instabilidade de microssatélites (MSI) é um biomarcador relevante no câncer colorretal, e métodos não invasivos para sua predição têm sido investigados. A radiômica, que extrai características quantitativas de imagens médicas, associada a algoritmos de aprendizado de máquina, surge como uma alternativa promissora. Esta revisão sistemática avaliou o desempenho desses modelos na predição de MSI em pacientes com câncer colorretal.
Foram incluídos doze estudos, totalizando 4.320 pacientes, todos retrospectivos. Apenas quatro estudos apresentaram coorte de validação externa. A incidência mediana de MSI foi de 19% (variação de 8 a 34%). Na validação externa, a área sob a curva ROC variou de 0,78 a 0,96 (mediana 0,83), com sensibilidade mediana de 0,76 e especificidade mediana de 0,87.
A qualidade metodológica foi avaliada pelo Radiomics Quality Score (RQS) e pelo QUADAS-2. A mediana do RQS foi de 38% (variação de 14 a 50%), indicando baixa qualidade. Além disso, metade dos estudos apresentou alto risco de viés na seleção de pacientes segundo o QUADAS-2. Esses achados sugerem que, apesar do bom desempenho discriminatório, os modelos ainda não estão prontos para aplicação clínica.
Os resultados indicam que a radiômica baseada em imagens pré-tratamento (TC, RM ou PET-TC) tem potencial para predizer MSI em câncer colorretal, mas a heterogeneidade metodológica e a falta de validação externa robusta limitam a generalização. A conclusão dos autores é que a técnica ainda não está madura para uso clínico devido à qualidade metodológica insuficiente.
Para o médico, é importante reconhecer que a radiômica é uma ferramenta em desenvolvimento. A implementação na prática clínica exigirá estudos prospectivos com padronização de protocolos de imagem, análise e validação externa. Até lá, os métodos convencionais de avaliação de MSI permanecem o padrão.
O que o estudo mostrou
Revisão sistemática com meta-análise de doze estudos retrospectivos e 4.320 pacientes com câncer colorretal. A radiômica baseada em imagens pré-tratamento (TC, RM, PET-TC) para predizer MSI mostrou AUC mediana de 0,83 (variação 0,78-0,96) na validação externa, sensibilidade mediana de 0,76 e especificidade mediana de 0,87. A qualidade metodológica foi baixa (RQS mediano 38%) e metade dos estudos tinha alto risco de viés na seleção de pacientes.
Limitações
Todos os estudos incluídos eram retrospectivos, e apenas quatro tinham validação externa. A qualidade metodológica foi baixa, com RQS mediano de 38% e alto risco de viés em metade dos estudos. O resumo não informa detalhes sobre heterogeneidade, tamanho de amostra por estudo ou características dos pacientes, limitando a generalização dos achados.
Aplicação no consultório
A radiômica ainda não está pronta para uso clínico na predição de MSI, portanto não deve substituir os testes convencionais. No consultório, o médico deve manter a avaliação padrão de MSI. Para gestores, investimentos em radiômica devem aguardar estudos prospectivos com validação externa e padronização metodológica antes de incorporar a tecnologia na rotina.
Estudo citado
Systematic review of machine learning-based radiomics approach for predicting microsatellite instability status in colorectal cancer. La Radiologia medica, 2023.
Autores: Wang Q, Xu J, Wang A, Chen Y, Wang T, Chen D, Zhang J, Brismar TB.
DOI: 10.1007/s11547-023-01593-x · PubMed: PMID 36648615
Perguntas para aprofundar
- Quais são as limitações metodológicas dos estudos de radiômica para predição de MSI em câncer colorretal?
- Como a radiômica pode auxiliar na prática clínica oncológica no futuro?
- Qual o papel da validação externa em modelos de aprendizado de máquina na medicina?
Mais sobre IA em oncologia
- Como a inteligência artificial pode prever a sobrevida de pacientes com glioblastoma?
- A inteligência artificial é confiável para o diagnóstico de lesões intraósseas dos ossos gnáticos?
- Qual é a acurácia do aprendizado de máquina na identificação pré-operatória do status de mutação genética no câncer de pulmão?
- Modelos de aprendizado de máquina e radiômica baseados em imagem já estão prontos para prever desfechos de quimiorradioterapia em câncer de esôfago?
- Assinaturas do microbioma intestinal para câncer colorretal são universais entre faixas etárias e métodos de sequenciamento?
Todas as perguntas sobre IA em oncologia · Todos os temas · Versão em markdown