Quais são as aplicações não endoscópicas de aprendizado de máquina no câncer gástrico e qual sua maturidade clínica?
Resposta curta: Uma revisão sistemática identificou 63 estudos sobre aplicações não endoscópicas de aprendizado de máquina no câncer gástrico, divididas em diagnóstico, predição de resposta à terapia e prognóstico. A maioria usa leitura de lâminas histopatológicas e escores de risco. Os modelos ainda estão em estágios iniciais e precisam de melhor curadoria de dados, interpretabilidade e comparação com o padrão clínico.
Resposta
A revisão sistemática buscou na literatura aplicações de aprendizado de máquina (ML) relacionadas ao câncer gástrico que não envolvessem reconhecimento de imagens endoscópicas. Foram pesquisadas duas bases de dados, com avaliação independente por dois autores. De 791 estudos triados, 63 foram incluídos. O foco foi deslocado do exame endoscópico para outras etapas do cuidado, como análise de espécimes e predição clínica.
Os estudos incluídos mostram que as aplicações não endoscópicas de ML se organizam em três categorias principais: diagnóstico, predição de resposta à terapia e predição de prognóstico. Diferentes tipos de espécimes e algoritmos foram empregados nessas aplicações. A maior parte do uso clínico descrito envolve a leitura de lâminas histopatológicas no diagnóstico do câncer gástrico e sistemas de escore de risco para determinar a sobrevida dos pacientes ou identificar variáveis importantes que podem afetar o prognóstico.
Os autores destacam que os estudos utilizaram diversos espécimes, inclusive não convencionais, o que demonstra grande potencial para o desenvolvimento de técnicas mais não invasivas. A revisão sugere que há numerosos exemplos de aplicações não endoscópicas de ML relevantes para o câncer gástrico, ampliando o horizonte além do diagnóstico endoscópico.
A conclusão, porém, é cautelosa: a maioria desses estudos ainda está em estágios iniciais e levará mais tempo antes de poder ser implantada clinicamente. Os pesquisadores da área são encorajados a melhorar a curadoria e a anotação dos dados, aprimorar a interpretabilidade dos modelos e comparar o desempenho dos modelos com o padrão atualmente aceito na prática clínica.
O que o estudo mostrou
Trata-se de uma revisão sistemática com busca em duas bases de dados e avaliação independente por dois autores. De 791 estudos triados, 63 foram incluídos. As aplicações não endoscópicas de ML no câncer gástrico foram agrupadas em diagnóstico, predição de resposta à terapia e predição de prognóstico, com diversos espécimes e algoritmos. A maior parte do uso clínico envolve leitura de lâminas histopatológicas e sistemas de escore de risco para sobrevida ou variáveis prognósticas.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, o risco de viés, a heterogeneidade entre algoritmos e espécimes, nem o desempenho numérico dos modelos. Os próprios autores apontam que a maioria dos estudos está em estágios iniciais e ainda não foi implantada clinicamente, o que limita conclusões sobre eficácia prática.
Aplicação no consultório
Para o médico, a revisão indica que ferramentas de ML aplicadas à histopatologia e a escores de risco prognóstico podem, no futuro, apoiar decisões diagnósticas e de seguimento no câncer gástrico, mas ainda não estão prontas para uso clínico rotineiro. Na gestão do consultório, isso significa cautela ao adotar produtos que aleguem uso de ML sem validação contra o padrão clínico aceito, e atenção à interpretabilidade dos modelos ao avaliar incorporação de tecnologia.
Estudo citado
Non-endoscopic Applications of Machine Learning in Gastric Cancer: A Systematic Review. Journal of gastrointestinal cancer, 2024.
Autores: Sy-Janairo MLL, Janairo JIB.
DOI: 10.1007/s12029-023-00960-1 · PubMed: PMID 37477782
Perguntas para aprofundar
- Como o aprendizado de máquina aplicado à histopatologia pode apoiar o diagnóstico de câncer gástrico?
- Quais variáveis prognósticas os modelos de aprendizado de máquina têm identificado no câncer gástrico?
- O que falta para que modelos não endoscópicos de aprendizado de máquina sejam incorporados à prática clínica?
Mais sobre IA em patologia digital
- Qual é a base biológica das assinaturas prognósticas de radiômica e aprendizado profundo em pacientes com câncer de pulmão, e qual a qualidade dos estudos disponíveis?
- A inteligência artificial já pode substituir o patologista na detecção do câncer de próstata e na classificação de Gleason?
- A inteligência artificial aplicada a imagens histopatológicas é eficaz na detecção do câncer de mama?
- A inteligência artificial já consegue prever a resposta ao BCG em câncer de bexiga não músculo-invasivo com utilidade clínica?
- O aprendizado de máquina já pode apoiar o diagnóstico da doença de Hirschsprung na prática clínica?
Todas as perguntas sobre IA em patologia digital · Todos os temas · Versão em markdown