O modelo usa características do microambiente de um tumor em 19 tipos diferentes de câncer
Ekaterina Pesheva - The Harvard Gazette
Cientistas da Escola Médica de Harvard projetaram um modelo de IA versátil, semelhante ao ChatGPT, capaz de executar uma série de tarefas de diagnóstico em diversas formas de câncer.
O novo sistema de IA, descrito na quarta-feira na Nature, vai um passo além de muitas abordagens atuais de IA para o diagnóstico de câncer, disseram os pesquisadores.
Os sistemas de IA atuais são tipicamente treinados para executar tarefas específicas — como detectar a presença de câncer ou prever o perfil genético de um tumor — e tendem a funcionar apenas em um punhado de tipos de câncer. Em contraste, o novo modelo pode executar uma ampla gama de tarefas e foi testado em 19 tipos de câncer, dando a ele uma flexibilidade como a de grandes modelos de linguagem como o ChatGPT.
Embora outros modelos básicos de IA para diagnóstico médico com base em imagens de patologia tenham surgido recentemente, acredita-se que este seja o primeiro a prever os resultados dos pacientes e validá-los em vários grupos internacionais de pacientes.
“Nossa ambição era criar uma plataforma de IA ágil e versátil, semelhante ao ChatGPT, que pudesse executar uma ampla gama de tarefas de avaliação de câncer”, disse o autor sênior do estudo Kun-Hsing Yu , professor assistente de informática biomédica no Blavatnik Institute da Harvard Medical School. “Nosso modelo acabou sendo muito útil em várias tarefas relacionadas à detecção de câncer, prognóstico e resposta ao tratamento em vários tipos de câncer.”
Treinamento e desempenho
O trabalho mais recente da equipe se baseia na pesquisa anterior de Yu em sistemas de IA para avaliação de câncer de cólon e tumores cerebrais . Esses estudos anteriores demonstraram a viabilidade da abordagem dentro de tipos específicos de câncer e tarefas específicas.
O novo modelo, chamado CHIEF (Clinical Histopathology Imaging Evaluation Foundation), foi treinado em 15 milhões de imagens não rotuladas divididas em seções de interesse. A ferramenta foi então treinada em 60.000 imagens de lâminas inteiras de tecidos, incluindo pulmão, mama, próstata, colorretal, estômago, esôfago, rim, cérebro, fígado, tireoide, pâncreas, cervical, uterino, ovariano, testicular, pele, tecido mole, glândula adrenal e bexiga. Treinar o modelo para olhar tanto para seções específicas de uma imagem quanto para a imagem inteira permitiu que ele relacionasse mudanças específicas em uma região ao contexto geral. Essa abordagem, disseram os pesquisadores, permitiu que o CHIEF interpretasse uma imagem de forma mais holística, considerando um contexto mais amplo, em vez de focar apenas em uma região específica.
Após o treinamento, a equipe testou o desempenho do CHIEF em mais de 19.400 imagens de lâminas inteiras de 32 conjuntos de dados independentes coletados de 24 hospitais e grupos de pacientes em todo o mundo.
O modelo de IA, que funciona lendo lâminas digitais de tecidos tumorais, detecta células cancerígenas e prevê o perfil molecular de um tumor com base em características celulares vistas na imagem com precisão superior à maioria dos sistemas de IA atuais. Ele pode prever a sobrevivência do paciente em vários tipos de câncer e identificar com precisão características no tecido que circunda um tumor — também conhecido como microambiente tumoral — que estão relacionadas à resposta do paciente a tratamentos padrão, incluindo cirurgia, quimioterapia, radiação e imunoterapia. Finalmente, a equipe disse que a ferramenta parece capaz de gerar novos insights — ela identificou características específicas do tumor que antes não eram conhecidas por estarem relacionadas à sobrevivência do paciente.
As descobertas, disse a equipe de pesquisa, aumentam as evidências crescentes de que abordagens alimentadas por IA podem aumentar a capacidade dos médicos de avaliar cânceres de forma eficiente e precisa, incluindo a identificação de pacientes que podem não responder bem às terapias padrão contra o câncer.
"Se validada posteriormente e amplamente implantada, nossa abordagem, e abordagens semelhantes às nossas, podem identificar precocemente pacientes com câncer que podem se beneficiar de tratamentos experimentais direcionados a certas variações moleculares, uma capacidade que não está uniformemente disponível em todo o mundo", disse Yu.
No geral, o CHIEF superou outros métodos de IA de última geração em até 36 por cento nas seguintes tarefas: detecção de células cancerígenas, identificação da origem do tumor, previsão de resultados do paciente e identificação da presença de genes e padrões de DNA relacionados à resposta ao tratamento. Devido ao seu treinamento versátil, o CHIEF teve um desempenho igualmente bom, não importa como as células tumorais foram obtidas — seja por biópsia ou por excisão cirúrgica. E foi igualmente preciso, independentemente da técnica usada para digitalizar as amostras de células cancerígenas. Essa adaptabilidade, disseram os pesquisadores, torna o CHIEF utilizável em diferentes cenários clínicos e representa um passo importante além dos modelos atuais que tendem a ter um bom desempenho apenas ao ler tecidos obtidos por meio de técnicas específicas.
Detecção de câncer
O CHIEF atingiu quase 94 por cento de precisão na detecção de câncer e superou significativamente as abordagens atuais de IA em 15 conjuntos de dados contendo 11 tipos de câncer. Em cinco conjuntos de dados de biópsia coletados de coortes independentes, o CHIEF atingiu 96 por cento de precisão em vários tipos de câncer, incluindo esôfago, estômago, cólon e próstata. Quando os pesquisadores testaram o CHIEF em lâminas nunca vistas antes de tumores removidos cirurgicamente do cólon, pulmão, mama, endométrio e colo do útero, o modelo teve um desempenho com mais de 90 por cento de precisão.
Prevendo perfis moleculares de tumores
A composição genética de um tumor contém pistas críticas para determinar seu comportamento futuro e tratamentos ideais. Para obter essas informações, os oncologistas solicitam o sequenciamento de DNA de amostras de tumores, mas esse perfil genômico detalhado de tecidos cancerígenos não é feito rotineiramente nem uniformemente em todo o mundo devido ao custo e ao tempo envolvidos no envio de amostras para laboratórios especializados em sequenciamento de DNA. Mesmo em regiões com bons recursos, o processo pode levar várias semanas. É uma lacuna que a IA pode preencher, disse Yu.
Identificar rapidamente padrões celulares em uma imagem sugestiva de aberrações genômicas específicas pode oferecer uma alternativa rápida e econômica ao sequenciamento genômico, disseram os pesquisadores.
O CHIEF superou os métodos atuais de IA para prever variações genômicas em um tumor ao observar as lâminas microscópicas. Essa nova abordagem de IA identificou com sucesso características associadas a vários genes importantes relacionados ao crescimento e à supressão do câncer e previu mutações genéticas importantes relacionadas a quão bem um tumor pode responder a várias terapias padrão. O CHIEF também detectou padrões específicos de DNA relacionados a quão bem um tumor de cólon pode responder a uma forma de imunoterapia chamada bloqueio de ponto de verificação imunológico. Ao observar imagens de tecido inteiro, o CHIEF identificou mutações em 54 genes de câncer comumente mutados com uma precisão geral de mais de 70%, superando o método atual de IA de última geração para previsão de câncer genômico. Sua precisão foi maior para genes específicos em tipos específicos de câncer.
A equipe também testou o CHIEF em sua capacidade de prever mutações relacionadas à resposta a terapias direcionadas aprovadas pela FDA em 18 genes abrangendo 15 locais anatômicos. O CHIEF atingiu alta precisão em vários tipos de câncer, incluindo 96 por cento na detecção de uma mutação em um gene chamado EZH2 comum em um câncer de sangue chamado linfoma difuso de grandes células B. Ele atingiu 89 por cento para mutação do gene BRAF em câncer de tireoide e 91 por cento para mutação do gene NTRK1 em cânceres de cabeça e pescoço.
Previsão da sobrevivência do paciente
O CHIEF previu com sucesso a sobrevivência do paciente com base em imagens histopatológicas do tumor obtidas no momento do diagnóstico inicial. Em todos os tipos de câncer e em todos os grupos de pacientes em estudo, o CHIEF distinguiu pacientes com sobrevivência de longo prazo daqueles com sobrevivência de curto prazo. O CHIEF superou outros modelos em 8%. E em pacientes com cânceres mais avançados, o CHIEF superou outros modelos de IA em 10%. No total, a capacidade do CHIEF de prever alto versus baixo risco de morte foi testada e confirmada em amostras de pacientes de 17 instituições diferentes.
Extraindo novos insights sobre o comportamento do tumor
O modelo identificou padrões reveladores em imagens relacionadas à agressividade do tumor e à sobrevivência do paciente. Para visualizar essas áreas de interesse, o CHIEF gerou mapas de calor em uma imagem. Quando patologistas humanos analisaram esses pontos quentes derivados de IA, eles viram sinais intrigantes refletindo interações entre células cancerígenas e tecidos circundantes. Uma dessas características foi a presença de um número maior de células imunes em áreas do tumor em sobreviventes de longo prazo, em comparação com sobreviventes de curto prazo. Essa descoberta, observou Yu, faz sentido porque uma maior presença de células imunes pode indicar que o sistema imunológico foi ativado para atacar o tumor.
Ao observar os tumores de sobreviventes de curto prazo, o CHIEF identificou regiões de interesse marcadas pelas proporções de tamanho anormais entre vários componentes celulares, características mais atípicas nos núcleos das células, conexões fracas entre as células e menor presença de tecido conjuntivo na área ao redor do tumor. Esses tumores também tinham uma maior presença de células morrendo ao redor deles.
Por exemplo, em tumores de mama, o CHIEF identificou como uma área de interesse a presença de necrose — ou morte celular — dentro dos tecidos. Por outro lado, os cânceres de mama com maiores taxas de sobrevivência eram mais propensos a ter arquitetura celular preservada, assemelhando-se a tecidos saudáveis. As características visuais e zonas de interesse relacionadas à sobrevivência variaram de acordo com o tipo de câncer, observou a equipe.
Próximos passos
Os pesquisadores disseram que planejam refinar o desempenho do CHIEF e aumentar suas capacidades por meio de:
- Realização de treinamento adicional sobre imagens de tecidos de doenças raras e condições não cancerígenas
- Incluindo amostras de tecidos pré-malignos antes que as células se tornem totalmente cancerosas
- Expor o modelo a mais dados moleculares para aumentar sua capacidade de identificar cânceres com diferentes níveis de agressividade
- Treinar o modelo para também prever os benefícios e efeitos adversos de novos tratamentos contra o câncer, além dos tratamentos padrão
Nenhum comentário:
Postar um comentário