# A análise de linfócitos infiltrantes de tumor baseada em aprendizado de máquina em câncer colorretal pode melhorar a confiabilidade diagnóstica e predizer desfechos clínicos?

> A revisão sistemática indica que técnicas de aprendizado de máquina, incluindo deep learning e não deep learning, podem auxiliar patologistas na identificação de linfócitos infiltrantes de tumor em imagens histológicas de câncer colorretal. A automatização está associada a desfechos dos pacientes, mas a generalização requer grandes conjuntos de dados multi-institucionais e multiétnicos.

Estudo citado: Kazemi A, Rasouli-Saravani A, Gharib M, Albuquerque T, Eslami S, Schüffler PJ. A systematic review of machine learning-based tumor-infiltrating lymphocytes analysis in colorectal cancer: Overview of techniques, performance metrics, and clinical outcomes. Computers in biology and medicine. 2024. DOI: https://doi.org/10.1016/j.compbiomed.2024.108306. PubMed: https://pubmed.ncbi.nlm.nih.gov/38554659/

## Resposta

A revisão sistemática teve como objetivo analisar estudos que aplicaram aprendizado de máquina para quantificar linfócitos infiltrantes de tumor (TILs) em imagens histológicas de câncer colorretal (CRC). Os autores destacam que os TILs no microambiente tecidual têm impacto crucial no diagnóstico e na tomada de decisão terapêutica, e que a concordância interobservador na quantificação manual não é perfeita.

Os achados mostram que técnicas de deep learning (DL) e não DL podem auxiliar os patologistas na identificação de TILs, e que a análise automatizada de TILs está associada a desfechos dos pacientes. Isso sugere que a incorporação de aplicações baseadas em aprendizado de máquina na rotina clínica pode promover maior confiabilidade diagnóstica.

No entanto, os autores ressaltam que é necessário um grande conjunto de dados multi-institucional de CRC, com população diversa e multiétnica, para generalizar os métodos de aprendizado de máquina. O resumo não informa detalhes sobre a amostra de estudos incluídos, o desenho específico de cada estudo ou as métricas de desempenho exatas utilizadas.

A revisão foi publicada na revista Computers in Biology and Medicine e é classificada como revisão sistemática com apoio de pesquisa não governamental. O resumo não fornece informações sobre limitações específicas dos estudos primários ou sobre a qualidade metodológica dos mesmos.

Em síntese, a evidência disponível sugere potencial da análise automatizada de TILs para auxiliar patologistas e predizer desfechos em CRC, mas a implementação clínica requer validação em coortes amplas e diversas. O resumo não permite concluir sobre a superioridade de uma técnica específica ou sobre a prontidão para uso rotineiro.

## O que o estudo mostrou

Trata-se de uma revisão sistemática que avaliou estudos sobre análise de linfócitos infiltrantes de tumor (TILs) baseada em aprendizado de máquina em imagens histológicas de câncer colorretal. O resumo não informa o número de estudos incluídos nem o tamanho amostral. Os achados indicam que técnicas de deep learning e não deep learning podem auxiliar patologistas na identificação de TILs, e que a análise automatizada está associada a desfechos dos pacientes. Os autores concluem que é necessário um grande conjunto de dados multi-institucional e multiétnico para generalizar os métodos.

## Limitações

O resumo não informa as limitações específicas dos estudos incluídos, nem detalhes sobre a qualidade metodológica, heterogeneidade ou risco de viés. Também não são fornecidas informações sobre o tamanho da amostra, as métricas de desempenho exatas ou os desfechos clínicos avaliados. A principal limitação apontada pelos autores é a necessidade de conjuntos de dados multi-institucionais e multiétnicos para generalização dos métodos de aprendizado de máquina.

## Aplicação no consultório

Para o médico que atua no cuidado de pacientes com câncer colorretal, a revisão reforça que a quantificação de TILs por aprendizado de máquina pode, no futuro, apoiar decisões clínicas e reduzir a variabilidade interobservador. No entanto, a aplicação rotineira ainda depende de validação em grandes coortes diversas. No consultório, isso implica acompanhar o desenvolvimento dessas ferramentas e considerar sua incorporação quando estiverem disponíveis e validadas, sem substituir o julgamento clínico e a avaliação anatomopatológica convencional.

## Perguntas para aprofundar

- Quais são as métricas de desempenho utilizadas para avaliar a análise de TILs por aprendizado de máquina em câncer colorretal?
- Como a concordância interobservador na quantificação manual de TILs se compara à análise automatizada?
- Quais desafios impedem a generalização dos modelos de aprendizado de máquina para análise de TILs em diferentes populações?

Tema: IA em patologia digital. Página: https://alphadoctor.com.br/ciencia/ia-patologia-digital/a-analise-de-linfocitos-infiltrantes-de-tumor-baseada-em-aprendizado-de-maquina/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.