IA em oncologia

Qual é a acurácia do aprendizado de máquina na identificação pré-operatória do status de mutação genética no câncer de pulmão?

Resposta

A revisão sistemática e meta-análise avaliou o desempenho do aprendizado de máquina (ML) na detecção do status de mutação genética em pacientes com câncer de pulmão não pequenas células (NSCLC). Foram incluídos 128 estudos originais, dos quais 114 construíram modelos de ML baseados em características radiômicas extraídas principalmente de dados de TC, RM e PET-CT. A maioria dos estudos focou na mutação do EGFR (121 estudos).

No conjunto de validação, para a detecção do status de mutação do EGFR, o c-index agregado foi de 0,760 para modelos baseados em características clínicas, 0,772 para modelos de radiômica baseados em TC, 0,816 para modelos baseados em RM e 0,750 para modelos baseados em PET-CT. Quando combinados com características clínicas, os c-index agregados foram 0,807 para TC, 0,806 para RM e 0,822 para PET-CT.

Além disso, os c-index agregados para modelos baseados em radiômica na detecção do status de mutação de ALK e KRAS, bem como do status de mutação em diferentes sítios do EGFR, foram todos maiores que 0,7 no conjunto de validação. Esses achados sugerem que a radiômica pode auxiliar na identificação precoce de mutações, mas a influência de variáveis clínicas não pode ser ignorada.

A conclusão dos autores é que o uso de métodos baseados em radiômica para discriminação precoce do status de mutação do EGFR em NSCLC demonstra acurácia relativamente alta. No entanto, estudos futuros devem atentar para a acurácia da radiômica na identificação do status de mutação de outros genes além do EGFR.

O que o estudo mostrou

Revisão sistemática e meta-análise que incluiu 128 estudos originais, dos quais 114 construíram modelos de aprendizado de máquina baseados em radiômica (TC, RM, PET-CT). A maioria (121 estudos) focou na mutação do EGFR. No conjunto de validação, o c-index agregado para detecção de mutação do EGFR foi 0,760 para modelos clínicos, 0,772 para radiômica baseada em TC, 0,816 para RM e 0,750 para PET-CT. A combinação com características clínicas melhorou o desempenho. Para ALK, KRAS e diferentes sítios de EGFR, os c-index foram maiores que 0,7.

Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, heterogeneidade entre eles, ou possíveis vieses de publicação. Também não são fornecidas informações sobre a população específica, tamanhos de amostra ou critérios de validação. Além disso, a maioria dos estudos focou apenas no EGFR, limitando conclusões sobre outros genes.

Aplicação no consultório

Os achados sugerem que modelos de aprendizado de máquina baseados em radiômica podem auxiliar na identificação pré-operatória do status de mutação do EGFR em pacientes com NSCLC, potencialmente orientando a solicitação de testes moleculares e agilizando decisões terapêuticas. No consultório, o médico pode considerar a incorporação dessas ferramentas como apoio à estratificação de risco, desde que validadas localmente. A gestão do consultório pode se beneficiar da integração de dados de imagem e clínicos para otimizar fluxos de investigação genética.

Estudo citado

Accuracy of machine learning in preoperative identification of genetic mutation status in lung cancer: A systematic review and meta-analysis. Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology, 2024.
Autores: Chen J, Chen A, Yang S, Liu J, Xie C, Jiang H.
DOI: 10.1016/j.radonc.2024.110325 · PubMed: PMID 38734145

Perguntas para aprofundar

• Como a radiômica pode ser integrada na prática clínica para identificar mutações genéticas em câncer de pulmão?
• Qual é a acurácia da radiômica na detecção de mutações além do EGFR, como ALK e KRAS?
• Quais são as limitações dos modelos de aprendizado de máquina baseados em radiômica para uso clínico?

Mais sobre IA em oncologia

• Modelos de machine learning são eficazes na predição de pneumonite por radiação e pneumonite por inibidor de checkpoint em pacientes com câncer de pulmão?
• Modelos de radiômica com aprendizado de máquina são eficazes para prever a mutação H3K27M em gliomas?
• Modelos de radiômica e aprendizado de máquina aplicados à RM pré-tratamento são eficazes para prever sobrevida em glioblastoma?
• Um framework de aprendizado de máquina com ensemble de votação pode auxiliar na predição precoce de câncer de pulmão com alta acurácia?
• Modelos de aprendizado de máquina baseados em radiômica são úteis para prever metástase peritoneal no câncer de ovário?

Todas as perguntas sobre IA em oncologia · Todos os temas · Versão em markdown