# Como as técnicas de aprendizado de máquina e aprendizado profundo têm sido aplicadas na pesquisa histopatológica de tumores cerebrais, especialmente no glioblastoma?

> Uma revisão sistemática de 54 estudos mostrou que apenas 8 abordaram especificamente o glioblastoma com aprendizado de máquina ou profundo, integrando dados histológicos e ômicos. Os modelos mais usados foram SVM e CNN baseada em ResNet. Muitos estudos não relataram claramente as metodologias de treinamento e avaliação, o que limita a reprodutibilidade e a avaliação da robustez dos modelos.

Estudo citado: Vong CK, Wang A, Dragunow M, Park TI, Shim V. Brain tumour histopathology through the lens of deep learning: A systematic review. Computers in biology and medicine. 2025. DOI: https://doi.org/10.1016/j.compbiomed.2024.109642. PubMed: https://pubmed.ncbi.nlm.nih.gov/39787663/

## Resposta

A revisão sistemática analisou 54 estudos elegíveis das bases PubMed e ScienceDirect para investigar como técnicas de aprendizado de máquina (ML) e aprendizado profundo (DL) têm influenciado a pesquisa histopatológica de tumores cerebrais, com foco no glioblastoma (GBM). Os autores extraíram informações sobre tipos de tumor, uso de dados ômicos combinados à histopatologia, origem dos dados, tipos de ML/DL, metodologias de treinamento e avaliação, e a tarefa realizada.

Apenas 8 estudos relacionados ao GBM utilizaram metodologias de ML/DL para obter insights mais profundos sobre a patogênese do GBM, contextualizando dados histológicos com dados ômicos. Esses estudos foram publicados mais recentemente, indicando uma tendência crescente. Os modelos mais populares foram o classificador SVM e a arquitetura CNN baseada em ResNet.

Um achado importante é que um número considerável de estudos não declarou claramente as metodologias de treinamento e avaliação. Isso compromete a transparência e a capacidade de reproduzir os resultados, além de dificultar a avaliação da robustez e generalização dos modelos. A revisão destaca a necessidade de melhorar o relato dessas metodologias.

A conclusão é que há uma tendência crescente no uso de abordagens de ML/DL para descobrir relações entre dados biológicos e histopatológicos, trazendo novas perspectivas para a pesquisa do GBM. No entanto, muito trabalho ainda precisa ser feito para padronizar a descrição das metodologias, garantindo que os modelos sejam reprodutíveis e que sua robustez e generalização possam ser adequadamente demonstradas.

## O que o estudo mostrou

Revisão sistemática que incluiu 54 estudos elegíveis das bases PubMed e ScienceDirect. Desses, apenas 8 estudos relacionados ao glioblastoma utilizaram metodologias de ML/DL para contextualizar dados histológicos com dados ômicos e obter insights sobre a patogênese. Os modelos mais usados foram o classificador SVM e a arquitetura CNN baseada em ResNet. Muitos estudos não relataram claramente as metodologias de treinamento e avaliação. Os estudos de GBM com ML/DL foram publicados mais recentemente, indicando tendência crescente.

## Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre possíveis vieses de publicação. Também não são fornecidas informações sobre a heterogeneidade das amostras ou dos conjuntos de dados utilizados. A falta de relato claro das metodologias de treinamento e avaliação em muitos estudos limita a avaliação da robustez e generalização dos modelos. O resumo não permite concluir sobre a aplicabilidade clínica imediata dos achados.

## Aplicação no consultório

Para o médico que atua em consultório, especialmente em neurologia ou oncologia, este estudo reforça que a aplicação clínica de ML/DL em histopatologia de glioblastoma ainda é incipiente e carece de padronização. Na prática, isso significa que ferramentas baseadas em IA para diagnóstico histopatológico de GBM não estão prontas para uso rotineiro. Gestores de consultório devem acompanhar a evolução da pesquisa, mas sem expectativas de implementação imediata. A ênfase em reprodutibilidade e relato transparente é um alerta para que, ao adotar tecnologias, se exija validação rigorosa e documentação clara dos métodos.

## Perguntas para aprofundar

- Quais são os principais desafios para a implementação clínica de modelos de aprendizado profundo na histopatologia do glioblastoma?
- Como a integração de dados ômicos com histopatologia pode melhorar o diagnóstico e o prognóstico do glioblastoma?
- Quais metodologias de treinamento e avaliação são recomendadas para garantir a reprodutibilidade de modelos de ML/DL em patologia digital?

Tema: IA em patologia digital. Página: https://alphadoctor.com.br/ciencia/ia-patologia-digital/como-as-tecnicas-de-aprendizado-de-maquina-e-aprendizado-profundo-tem-sido/

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