IA em patologia digital

Modelos de machine learning aplicados à RM pré-operatória conseguem prever marcadores moleculares em glioma com boa acurácia diagnóstica?

Resposta

A caracterização molecular do glioma tem implicações para prognóstico, planejamento de tratamento e previsão de resposta terapêutica. A histopatologia atual é limitada pela heterogeneidade intratumoral e pela variabilidade dos métodos de detecção. Diante disso, avanços em técnicas computacionais despertaram interesse em explorar características quantitativas de imagem para detectar mutações genéticas de forma não invasiva.

Esta revisão sistemática com meta-análise avaliou a acurácia diagnóstica de modelos de machine learning na subtipagem molecular de gliomas em RM pré-operatória. A busca seguiu as diretrizes PRISMA, incluindo estudos até 1 de abril de 2020, e a qualidade metodológica foi avaliada pelo QUADAS-2. As estimativas de desempenho diagnóstico foram obtidas por modelo bivariado, com heterogeneidade explorada por metarregressão.

Foram incluídos quarenta e quatro artigos originais. A sensibilidade e a especificidade agrupadas para prever mutação de IDH nos conjuntos de treinamento foram de 0,88 (IC 95% 0,83-0,91) e 0,86 (IC 95% 0,79-0,91), respectivamente, e de 0,83 a 0,85 nos conjuntos de validação. O uso de aumento de dados e o tipo de sequência de RM mostraram-se fracamente associados à heterogeneidade. Tanto a metilação do promotor do gene MGMT quanto a codeleção de 1p/19q puderam ser previstas com sensibilidade e especificidade agrupadas entre 0,76 e 0,83 nos conjuntos de treinamento.

Os autores concluem que a aplicação de machine learning à RM pré-operatória demonstrou resultados promissores para prever mutação de IDH, metilação de MGMT e codeleção de 1p/19q em glioma. Modelos otimizados poderiam levar a uma ferramenta não invasiva e objetiva que captura informações moleculares importantes para a decisão clínica. Estudos futuros devem usar dados multicêntricos, validação externa e investigar a viabilidade clínica dos modelos de machine learning.

O que o estudo mostrou

Revisão sistemática com meta-análise que incluiu quarenta e quatro artigos originais, com busca seguindo diretrizes PRISMA até 1 de abril de 2020 e avaliação de qualidade pelo QUADAS-2. Para mutação de IDH, a sensibilidade e a especificidade agrupadas nos conjuntos de treinamento foram de 0,88 (IC 95% 0,83-0,91) e 0,86 (IC 95% 0,79-0,91), e de 0,83 a 0,85 nos conjuntos de validação. Metilação do promotor de MGMT e codeleção de 1p/19q foram previstas com sensibilidade e especificidade agrupadas entre 0,76 e 0,83 nos conjuntos de treinamento.

Limitações

O resumo não detalha as limitações individuais dos estudos incluídos nem o risco de viés por estudo. Os próprios autores apontam a necessidade de dados multicêntricos, validação externa e investigação da viabilidade clínica dos modelos. Parte dos resultados refere-se a conjuntos de treinamento, e o resumo não informa características da amostra de pacientes nem dados de validação externa.

Aplicação no consultório

Para o médico que acompanha pacientes com glioma, os achados sugerem que modelos de machine learning em RM pré-operatória podem, no futuro, apoiar a obtenção não invasiva de informação molecular relevante para prognóstico e planejamento terapêutico. Na prática atual, porém, trata-se de ferramenta em desenvolvimento: o resumo reforça a necessidade de validação externa e de estudos de viabilidade clínica antes da incorporação rotineira. Gestores de consultório e serviços devem acompanhar essa evolução com cautela, sem substituir a caracterização histopatológica e molecular estabelecida.

Estudo citado

Machine Learning for the Prediction of Molecular Markers in Glioma on Magnetic Resonance Imaging: A Systematic Review and Meta-Analysis. Neurosurgery, 2021.
Autores: Jian A, Jang K, Manuguerra M, Liu S, Magnussen J, Di Ieva A.
DOI: 10.1093/neuros/nyab103 · PubMed: PMID 33826716

Perguntas para aprofundar

• Qual é a acurácia de modelos de machine learning em RM para prever mutação de IDH em glioma?
• Modelos de machine learning conseguem prever metilação de MGMT e codeleção de 1p/19q em glioma?
• Quais requisitos metodológicos faltam para levar modelos de machine learning à prática clínica em neuro-oncologia?

Mais sobre IA em patologia digital

• Modelos de machine learning aplicados à ressonância magnética conseguem prever a resposta patológica à quimioterapia neoadjuvante no câncer de mama?
• Algoritmos de deep learning baseados em MRI são superiores a radiologistas na detecção de metástase linfonodal no câncer colorretal?
• A inteligência artificial já pode ser incorporada à rotina diagnóstica do glioblastoma, integrando ressonância magnética, histopatologia e perfil molecular?
• Como a inteligência artificial tem avançado na análise de imagens para morfologia e estadiamento do câncer de cólon?
• A radiômica é útil para diagnóstico, graduação e avaliação de resposta ao tratamento em sarcomas de partes moles?

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