Qual o valor prognóstico do tumour-stroma ratio (TSR) no carcinoma colorretal e como a automação pode padronizar sua avaliação?
Resposta curta: O TSR é um indicador prognóstico robusto para sobrevida livre de doença no carcinoma colorretal, associado a pior prognóstico em lesões com alto estroma. A variabilidade nos protocolos de escore e a subjetividade manual limitam sua aplicação clínica. Métodos automatizados, especialmente deep learning, mostram acurácia promissora, mas ainda há discrepâncias e necessidade de padronização.
Resposta
O tumour-stroma ratio (TSR) é um biomarcador que avalia a proporção entre estroma e epitélio tumoral em lesões malignas. Em carcinoma colorretal, o TSR tem sido consistentemente identificado como um forte indicador prognóstico para sobrevida livre de doença. Lesões com alto estroma (stroma-high) associam-se a pior prognóstico, possivelmente devido à correlação com status metastático, invasão perineural e invasão vascular.
Apesar de recomendações publicadas em 2018 para quantificação do TSR em carcinoma colorretal, diversos métodos de quantificação ainda são utilizados. Uma revisão de escopo identificou 76 artigos que atenderam aos critérios de inclusão, dos quais 56 empregaram métodos manuais e 20 utilizaram técnicas semi-automatizadas ou totalmente automatizadas. A variabilidade nos protocolos de escore foi mais evidente na seleção da região de interesse e no tipo de espécime histológico, ambos com impacto direto no escore final do TSR.
A variabilidade interobservador em avaliações manuais semiquantitativas do TSR é significativa, com escores Kappa variando de 0,42 a 0,88. Para padronizar protocolos e reduzir essa variabilidade, pipelines automatizados de escore do TSR têm sido propostos. Modelos de deep learning demonstraram resultados promissores, com acurácias pixel-wise e patch-wise superiores a 95%. No entanto, discrepâncias permanecem, como evidenciado por escores Kappa entre 0,239 e 0,472.
A variação nos protocolos de escore do TSR e a ampla variabilidade interobservador limitam sua aplicação clínica mais ampla. Embora os métodos automatizados de quantificação do TSR mostrem promessa, eles ainda estão em estágios iniciais, particularmente em relação à seleção da região de interesse e à estratificação de pacientes em categorias de risco. À medida que esses métodos evoluem, ajustes nos valores de corte do TSR podem ser necessários para melhorar a consistência.
Esta revisão de escopo destaca a significância prognóstica do TSR no carcinoma colorretal, ao mesmo tempo que enfatiza os desafios impostos pela variabilidade nos métodos de escore e a necessidade de avanços adicionais na quantificação automatizada. Para o patologista e o oncologista, a implementação clínica do TSR requer padronização e validação adicional antes de sua incorporação rotineira na prática.
O que o estudo mostrou
Revisão de escopo que identificou 950 artigos via PubMed e Scopus, dos quais 76 atenderam aos critérios de inclusão. Destes, 56 usaram escore manual e 20 usaram quantificação semi-automatizada ou totalmente automatizada. O TSR foi consistentemente um forte indicador prognóstico para sobrevida livre de doença, com associação a pior prognóstico ligada a status metastático, invasão perineural e vascular em lesões stroma-high. Variabilidade nos protocolos foi evidente na seleção da região de interesse e tipo de espécime. Variabilidade interobservador manual teve Kappa de 0,42 a 0,88. Modelos de deep learning mostraram acurácias pixel-wise e patch-wise acima de 95%, mas com Kappa de 0,239 a 0,472.
Limitações
O resumo não informa detalhes sobre o desenho dos estudos incluídos, tamanho amostral ou análise de qualidade. A revisão de escopo não fornece dados quantitativos agregados sobre a associação prognóstica. As discrepâncias entre métodos automatizados e a falta de padronização nos pontos de corte limitam conclusões definitivas sobre a aplicação clínica imediata.
Aplicação no consultório
Para o patologista, a implementação do TSR na rotina requer atenção à padronização da seleção da região de interesse e do tipo de espécime, pois esses fatores impactam diretamente o escore final. A variabilidade interobservador reforça a necessidade de treinamento e, potencialmente, de ferramentas automatizadas para auxiliar na reprodutibilidade. Para o oncologista, o TSR pode agregar informação prognóstica, mas sua incorporação na decisão clínica deve aguardar validação adicional e definição de pontos de corte consistentes. Gestores de laboratório devem considerar investimentos em patologia digital e algoritmos validados.
Estudo citado
A scoping review of TSR analysis in colorectal cancer: implications for automated solutions. Oncology reviews, 2025.
Autores: Dikland FA, Fekih C, Wellenstein MRJ, Souza da Silva R, Machado-Neves R, Fraga J, Oliveira D, Montezuma D, Pinto IM, Woodburn J.
DOI: 10.3389/or.2025.1605383 · PubMed: PMID 41230203
Perguntas para aprofundar
- Como a seleção da região de interesse influencia o escore final do TSR em carcinoma colorretal?
- Quais são os desafios para implementar a quantificação automatizada do TSR na prática patológica?
- O TSR pode ser usado para estratificar pacientes com carcinoma colorretal em categorias de risco prognóstico?
Mais sobre IA em patologia digital
- A integração de análise de imagens por deep learning com dados genômicos melhora o desempenho de classificadores em patologia oncológica?
- Modelos multimodais explicáveis podem apoiar o diagnóstico do carcinoma de mama na prática clínica?
- Como a inteligência artificial está transformando a avaliação histológica no diagnóstico e tratamento personalizado do câncer?
- Como as técnicas de aprendizado de máquina e aprendizado profundo têm sido aplicadas na pesquisa histopatológica de tumores cerebrais, especialmente no glioblastoma?
- Quais são os hotspots e as tendências da pesquisa sobre aplicação de inteligência artificial no diagnóstico e tratamento do câncer colorretal?
Todas as perguntas sobre IA em patologia digital · Todos os temas · Versão em markdown