# Modelos de inteligência artificial aplicados a imagens de lâminas inteiras são acurados para prever mutações de EGFR em câncer de pulmão?

> Uma revisão sistemática com meta-análise mostrou que modelos de IA aplicados a imagens de lâminas inteiras têm potencial para prever mutações de EGFR em câncer de pulmão, com AUC de 0,756, sensibilidade de 66,3% e especificidade de 68,1%. O desempenho é promissor, mas a acurácia atual ainda precisa de refinamento antes da aplicação clínica rotineira.

Estudo citado: Nguyen MH, Le MHN, Bui AT, Le NQK. Artificial intelligence in predicting EGFR mutations from whole slide images in lung Cancer: A systematic review and Meta-Analysis. Lung cancer (Amsterdam, Netherlands). 2025. DOI: https://doi.org/10.1016/j.lungcan.2025.108577. PubMed: https://pubmed.ncbi.nlm.nih.gov/40339270/

## Resposta

A identificação de mutações de EGFR é essencial para guiar a terapia-alvo no câncer de pulmão. A revisão sistemática e meta-análise avaliou a acurácia diagnóstica de modelos de inteligência artificial (IA) na predição de mutações de EGFR a partir de imagens de lâminas inteiras (WSIs) em pacientes com câncer de pulmão.

Foram incluídos 16 estudos, dos quais 4 foram elegíveis para meta-análise. Os resultados agrupados mostraram que os algoritmos de IA alcançaram uma AUC de 0,756 (IC 95%: 0,669-0,824), sensibilidade de 66,3% e especificidade de 68,1%. Análises de subgrupo indicaram melhor desempenho preditivo para modelos treinados com conjuntos de dados internos, amostras de ressecção cirúrgica, arquitetura ResNet e regiões focadas no tumor.

Os autores concluem que os modelos de IA demonstram potencial para predição não invasiva de mutações de EGFR usando WSIs, embora a acurácia e a precisão atuais ainda necessitem de refinamento. Pesquisas futuras devem aprimorar os algoritmos, validar os achados em conjuntos de dados maiores e integrar essas ferramentas aos fluxos clínicos para otimizar o manejo do câncer de pulmão.

Para o médico, esses achados sugerem que a IA pode vir a ser uma ferramenta auxiliar na triagem molecular não invasiva, mas ainda não substitui os testes moleculares padrão. A aplicação clínica rotineira requer validação adicional e padronização antes de ser incorporada à prática.

No contexto do consultório, é importante acompanhar a evolução dessas tecnologias e considerar seu potencial para otimizar a solicitação de testes moleculares, sempre com base em evidências robustas e diretrizes atualizadas.

## O que o estudo mostrou

Revisão sistemática e meta-análise que buscou estudos em quatro bases de dados até 20 de junho de 2024. De 1.828 estudos identificados, 16 atenderam aos critérios de inclusão e 4 foram elegíveis para meta-análise. Os modelos de IA aplicados a imagens de lâminas inteiras para prever mutações de EGFR apresentaram AUC agrupada de 0,756 (IC 95%: 0,669-0,824), sensibilidade de 66,3% e especificidade de 68,1%. Análises de subgrupo mostraram melhor desempenho com conjuntos de dados internos, amostras cirúrgicas, arquitetura ResNet e regiões focadas no tumor.

## Limitações

O resumo não informa o número total de pacientes ou imagens incluídas, nem detalha as características das populações dos estudos. A meta-análise incluiu apenas 4 estudos, o que limita a robustez das estimativas agrupadas. Os intervalos de confiança para sensibilidade e especificidade não foram apresentados no resumo (indicados como X-Y). Além disso, o resumo não descreve a heterogeneidade entre os estudos nem possíveis vieses de publicação.

## Aplicação no consultório

Os achados indicam que a IA em patologia digital ainda não está pronta para substituir os testes moleculares na predição de mutações de EGFR. Na prática clínica, a solicitação de testes moleculares permanece padrão. Para a gestão do consultório, é relevante acompanhar o desenvolvimento dessas ferramentas, pois elas podem, no futuro, auxiliar na triagem de pacientes e na otimização de recursos, mas sua incorporação exige validação em cenários reais e integração com fluxos laboratoriais.

## Perguntas para aprofundar

- Qual é o desempenho de modelos de deep learning na predição de mutações de EGFR a partir de imagens histopatológicas de câncer de pulmão?
- Quais arquiteturas de IA e tipos de amostras estão associados a melhor acurácia na predição de mutações de EGFR?
- Quais são os desafios para a implementação clínica de modelos de IA na predição de mutações de EGFR em patologia digital?

Tema: IA em patologia digital. Página: https://alphadoctor.com.br/ciencia/ia-patologia-digital/modelos-de-inteligencia-artificial-aplicados-a-imagens-de-laminas-inteiras-sao/

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