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?
Resposta curta: Uma revisão sistemática de 12 estudos com 7.338 pacientes mostrou que a base biológica dessas assinaturas se concentra principalmente em fatores genômicos e histopatológicos, avaliados por sequenciamento gênico e análise de enriquecimento de conjuntos gênicos. A qualidade metodológica foi limitada, com risco de viés globalmente alto, especialmente nos estudos com aprendizado não supervisionado.
Resposta
A revisão sistemática reuniu estudos que investigaram a correlação biológica subjacente às assinaturas prognósticas de radiômica e aprendizado profundo em pacientes com câncer de pulmão, utilizando tomografia computadorizada ou PET/CT. O objetivo foi sumarizar essa base biológica e avaliar a qualidade das publicações disponíveis, um passo relevante para dar interpretabilidade aos modelos de imagem.
Os achados indicam que a interpretação biológica dos modelos orientados por dados concentrou-se sobretudo em fatores genômicos e histopatológicos. A maioria dos estudos analisou dados de sequenciamento gênico, enquanto uma parcela menor utilizou dados histopatológicos. As abordagens mais empregadas para explorar o significado biológico das assinaturas prognósticas foram a análise de enriquecimento de conjuntos gênicos e a análise de correlação.
A qualidade metodológica variou conforme o tipo de aprendizado de máquina. Os artigos com aprendizado supervisionado apresentaram mediana de pontuação no Radiomics Quality Score superior à dos artigos com métodos não supervisionados. Ainda assim, de modo geral, os estudos incluídos foram avaliados como de alto risco de viés, o que limita a força das conclusões sobre a validade biológica das assinaturas.
Os autores concluem que a base biológica para a interpretabilidade dos modelos orientados por dados concentrou-se em fatores genômicos e histopatológicos, e que uma interpretação biológica mais adequada pode, no futuro, contribuir para melhorar o prognóstico do câncer de pulmão. O resumo não informa detalhes sobre características individuais dos pacientes ou sobre os modelos preditivos específicos avaliados.
O que o estudo mostrou
Trata-se de uma revisão sistemática que examinou as bases PubMed, Embase, Web of Science Core Collection e Cochrane Library em busca de estudos que explorassem a correlação biológica subjacente a assinaturas prognósticas de radiômica e aprendizado profundo baseadas em CT ou PET/CT em câncer de pulmão. Foram incluídos 12 estudos, com 7.338 pacientes, publicados de 2014 a 2022. Todos, exceto um, eram retrospectivos. Seis estudos adotaram aprendizado de máquina supervisionado e os demais, métodos não supervisionados. Sequenciamento gênico e dados histopatológicos foram analisados por 83,33% e 16,67% dos estudos, respectivamente. A mediana do Radiomics Quality Score foi 13,5 (variação 12-19) nos artigos de aprendizado supervisionado e 7,0 (variação 5-14) nos não supervisionados. Os estudos foram avaliados como de alto risco de viés geral.
Limitações
O resumo não informa detalhes sobre a amostra por estudo, os modelos preditivos específicos ou as populações incluídas. A quase totalidade dos estudos era retrospectiva, e a avaliação global indicou alto risco de viés. A qualidade metodológica foi menor entre os estudos com aprendizado não supervisionado. Essas características limitam a robustez das conclusões sobre a validade biológica das assinaturas prognósticas.
Aplicação no consultório
Para o médico que acompanha pacientes com câncer de pulmão, a mensagem prática é de cautela: assinaturas de radiômica e aprendizado profundo ainda não têm base biológica suficientemente validada para orientar decisões clínicas isoladamente. Na gestão do consultório, isso significa não incorporar essas ferramentas como critério prognóstico definitivo sem validação adicional, e considerar que a interpretação genômica e histopatológica permanece central. O alto risco de viés dos estudos reforça a necessidade de avaliar criticamente fornecedores e laudos que ofereçam esse tipo de análise.
Estudo citado
Could the underlying biological basis of prognostic radiomics and deep learning signatures be explored in patients with lung cancer? A systematic review. European journal of radiology, 2024.
Autores: Qian L, Wu T, Kong S, Lou X, Jiang Y, Tan Z, Wu L, Gao C.
DOI: 10.1016/j.ejrad.2024.111314 · PubMed: PMID 38244306
Perguntas para aprofundar
- Como interpretar laudos de radiômica prognóstica em câncer de pulmão na prática clínica?
- Qual a diferença de qualidade entre assinaturas de aprendizado supervisionado e não supervisionado em radiômica?
- Que dados genômicos e histopatológicos devem ser correlacionados com assinaturas de imagem em câncer de pulmão?
Mais sobre IA em patologia digital
- A radiômica é útil para prever resposta ao tratamento e sobrevida em carcinoma de células renais?
- Modelos de radiômica e aprendizado profundo baseados em TC são acurados para estadiamento pré-operatório de linfonodos no adenocarcinoma ductal de pâncreas?
- A inteligência artificial já permite prever quais pacientes se beneficiam de inibidores de checkpoint imune na prática clínica?
- Como a inteligência artificial tem sido aplicada no diagnóstico, tratamento e manejo perioperatório do câncer de mama, e qual a qualidade da evidência disponível?
- Como as técnicas de aprendizado de máquina e aprendizado profundo têm sido aplicadas na pesquisa histopatológica de tumores cerebrais, especialmente no glioblastoma?
Todas as perguntas sobre IA em patologia digital · Todos os temas · Versão em markdown