Modelos de machine learning aplicados à ressonância magnética conseguem prever a resposta patológica à quimioterapia neoadjuvante no câncer de mama?
Resposta curta: Sim. Em meta-análise de dezessete estudos e 3392 pacientes, o machine learning com ressonância magnética mostrou acurácia moderada a alta na predição da resposta à terapia neoadjuvante, com AUC de 0,87. O subgrupo de deep learning superou o de machine learning com radiômica, e a combinação com dados clínicos ou histopatológicos melhorou o desempenho.
Resposta
A predição da resposta patológica à quimioterapia neoadjuvante no câncer de mama é uma necessidade clínica relevante, e a ressonância magnética associada a modelos de machine learning tem sido estudada com esse objetivo. Esta revisão sistemática com meta-análise reuniu a evidência disponível para estimar a acurácia diagnóstica desses modelos e comparar abordagens distintas de aprendizado.
Os estudos elegíveis foram identificados em busca nas bases MEDLINE e EMBASE até dezembro de 2021, totalizando 3392 pacientes. A qualidade metodológica foi avaliada pelos critérios Quality Assessment of Diagnostic Accuracy Studies-2, e a heterogeneidade foi examinada pelo valor de I2, com modelo de efeitos aleatórios. A acurácia preditiva foi quantificada pela área sob a curva ROC, com análises de subgrupo, meta-regressão e sensibilidade, além de avaliação de viés de publicação por gráfico de funil.
O desempenho global do machine learning com ressonância magnética foi de AUC 0,87 (IC 95% 0,84-0,91). Na análise de subgrupo, o deep learning apresentou AUC 0,92 (IC 95% 0,88-0,97), superior ao machine learning com radiômica, cuja AUC foi 0,85 (IC 95% 0,82-0,90), com P = 0,030. Entre os estudos de radiômica, aqueles que combinaram a ressonância magnética a parâmetros clínicos ou histopatológicos alcançaram AUC 0,90 (IC 95% 0,85-0,96), melhor que o uso isolado de parâmetros de ressonância magnética, com AUC 0,82 (IC 95% 0,78-0,86) e P = 0,009.
Os autores concluem que o machine learning aplicado à ressonância magnética permite acurácia moderada na predição da resposta patológica à terapia neoadjuvante em pacientes com câncer de mama, e que o deep learning teve acurácia preditiva superior ao machine learning com radiômica. O resumo não detalha características individuais dos estudos incluídos nem o impacto clínico dessas ferramentas na tomada de decisão.
O que o estudo mostrou
Revisão sistemática com meta-análise de estudos elegíveis identificados em MEDLINE e EMBASE até dezembro de 2021, totalizando 3392 pacientes. O machine learning com ressonância magnética apresentou AUC de 0,87 (IC 95% 0,84-0,91) na predição da resposta à terapia neoadjuvante. O subgrupo de deep learning teve AUC de 0,92 (IC 95% 0,88-0,97), superior ao de machine learning com radiômica, com AUC de 0,85 (IC 95% 0,82-0,90) e P = 0,030. A combinação com parâmetros clínicos ou histopatológicos também melhorou o desempenho.
Limitações
O resumo não informa as limitações individuais dos estudos incluídos nem detalhes sobre a população, os protocolos de imagem ou os critérios de resposta patológica. A heterogeneidade foi avaliada, mas as fontes potenciais não são descritas no resumo. Também não são apresentados dados sobre viés de publicação além do método empregado, nem sobre a aplicabilidade clínica dos modelos.
Aplicação no consultório
Para o médico que acompanha pacientes com câncer de mama em tratamento neoadjuvante, os achados indicam que modelos de machine learning com ressonância magnética podem apoiar a estimativa de resposta patológica, com desempenho superior quando associados a dados clínicos ou histopatológicos. Na gestão do consultório, isso reforça a importância de integrar informações clínicas e de imagem e de acompanhar a evolução tecnológica, sem substituir a avaliação clínica individualizada.
Estudo citado
Machine learning with magnetic resonance imaging for prediction of response to neoadjuvant chemotherapy in breast cancer: A systematic review and meta-analysis. European journal of radiology, 2022.
Autores: Liang X, Yu X, Gao T.
DOI: 10.1016/j.ejrad.2022.110247 · PubMed: PMID 35290910
Perguntas para aprofundar
- Qual a acurácia do deep learning comparado ao machine learning com radiômica na predição de resposta à quimioterapia neoadjuvante em câncer de mama?
- A combinação de ressonância magnética com dados clínicos ou histopatológicos melhora a predição de resposta patológica completa?
- Quais são as limitações metodológicas dos estudos que avaliam machine learning com ressonância magnética no câncer de mama?
Mais sobre IA em patologia digital
- Como a inteligência artificial tem sido aplicada no diagnóstico, tratamento e manejo perioperatório do câncer de mama, e qual a qualidade da evidência disponível?
- Modelos de radiômica baseados em TC ou RM pré-operatórias são confiáveis para prever o grau histopatológico do carcinoma hepatocelular?
- A inteligência artificial aplicada a imagens histopatológicas é eficaz na detecção do câncer de mama?
- Modelos de machine learning aplicados à RM pré-operatória conseguem prever marcadores moleculares em glioma com boa acurácia diagnóstica?
- Modelos multimodais explicáveis podem apoiar o diagnóstico do carcinoma de mama na prática clínica?
Todas as perguntas sobre IA em patologia digital · Todos os temas · Versão em markdown