Inteligência Artificial prevê com precisão os resultados de Câncer a partir de amostras de tecido
Pesquisadores do UT Southwestern Medical Center desenvolveram um novo modelo de inteligência artificial (IA) que analisa o arranjo espacial das células em amostras de tecido. Esta abordagem inovadora, detalhada na Nature Communications , previu com precisão os resultados para pacientes com câncer, marcando um avanço significativo na utilização de IA para prognóstico de câncer e estratégias de tratamento personalizadas.
“A organização espacial das células é como um quebra-cabeça complexo onde cada célula serve como uma peça única, encaixando-se meticulosamente para formar um tecido coeso ou estrutura de órgão. Esta pesquisa mostra a notável capacidade da IA de compreender essas intrincadas relações espaciais entre as células dos tecidos, extraindo informações sutis que antes estavam além da compreensão humana e, ao mesmo tempo, prevendo os resultados dos pacientes”, disse o líder do estudo, Guanghua Xiao, Ph.D. , Professor da Escola de Saúde Pública Peter O’Donnell Jr. , Engenharia Biomédica e do Departamento de Bioinformática Lyda Hill da UT Southwestern. Dr. Xiao é membro do Harold C. Simmons Comprehensive Cancer Center da UTSW.
Amostras de tecidos são coletadas rotineiramente dos pacientes e colocadas em lâminas para interpretação pelos patologistas, que as analisam para fazer diagnósticos. No entanto, explicou o Dr. Xiao, esse processo é demorado e as interpretações podem variar entre os patologistas. Além disso, o cérebro humano pode perder características sutis presentes em imagens patológicas que podem fornecer pistas importantes sobre a condição do paciente.
Vários modelos de IA construídos nos últimos anos podem realizar alguns aspectos do trabalho de um patologista, acrescentou o Dr. Xiao – por exemplo, identificar tipos de células ou usar a proximidade celular como um proxy para interações entre células. No entanto, esses modelos não recapitulam com sucesso aspectos mais complexos de como os patologistas interpretam as imagens dos tecidos, como discernir padrões na organização espacial das células e excluir “ruídos” estranhos nas imagens que podem confundir as interpretações.
O novo modelo de IA, que o Dr. Xiao e seus colegas chamaram de Ceograph, imita como os patologistas leem lâminas de tecido, começando pela detecção de células em imagens e suas posições. A partir daí, identifica os tipos de células, bem como sua morfologia e distribuição espacial, criando um mapa no qual o arranjo, a distribuição e as interações das células podem ser analisados.
Os pesquisadores aplicaram com sucesso esta ferramenta a três cenários clínicos usando lâminas patológicas. Em um deles, eles usaram o Ceograph para distinguir entre dois subtipos de câncer de pulmão, adenocarcinoma ou carcinoma de células escamosas. Noutro, previram a probabilidade de doenças orais potencialmente malignas – lesões pré-cancerosas da boca – progredirem para cancro. No terceiro, identificaram quais pacientes com câncer de pulmão tinham maior probabilidade de responder a uma classe de medicamentos chamados inibidores do receptor do fator de crescimento epidérmico.
Em cada cenário, o modelo Ceograph superou significativamente os métodos tradicionais na previsão dos resultados dos pacientes. É importante ressaltar que as características de organização espacial celular identificadas pelo Ceograph são interpretáveis e levam a insights biológicos sobre como a mudança na interação espacial célula-célula individual poderia produzir diversas consequências funcionais, disse o Dr.
Estas descobertas destacam um papel crescente da IA nos cuidados médicos, acrescentou, oferecendo uma forma de melhorar a eficiência e a precisão das análises patológicas. “Este método tem o potencial de agilizar medidas preventivas direcionadas para populações de alto risco e otimizar a seleção de tratamento para pacientes individuais”, disse o Dr. Xiao, membro do Centro de Pesquisa Biomédica Quantitativa da UT Southwestern.
Shidan Wang, Ph.D., ex-membro do corpo docente da Escola O’Donnell de Saúde Pública, foi o primeiro autor do estudo. Outros pesquisadores da UTSW que contribuíram para a pesquisa são Yang Xie, Ph.D., professor da Escola de Saúde Pública O’Donnell e do Departamento de Bioinformática de Lyda Hill; John Minna, MD, professor de medicina interna e farmacologia e diretor do Hamon Center for Therapeutic Oncology Research ; Justin Bishop, MD, Professor de Patologia ; Xiaowei Zhan, Ph.D., Professor Associado da Escola O’Donnell de Saúde Pública e do Centro de Genética de Defesa do Hospedeiro ; Siyuan Zhang, MD, Ph.D., Professor Associado de Patologia; Ruichen Rong, Ph.D., e Donghan M. Yang, Ph.D., professores assistentes na Escola O’Donnell de Saúde Pública; Zhikai Chi, MD, Ph.D., Professor Assistente de Patologia; Qin Zhou, Ph.D., pesquisador de pós-doutorado; e Xinyi Zhang, Ph.D., pesquisador estudante de pós-graduação.
Dr. Xiao ocupa a Cátedra Mary Dees McDermott Hicks em Ciências Médicas.
Este estudo foi financiado por doações dos Institutos Nacionais de Saúde (P50CA070907, R01GM140012, R01DE030656, R01GM115473, 1U01CA249245, R35GM136375, P30CA008748 e P30CA142543) e do Instituto de Pesquisa e Prevenção do Câncer do Texas (CPRIT RP18 0805 e CPRIT RP230330).
Sobre UT Southwestern Medical Center
A UT Southwestern, um dos principais centros médicos acadêmicos do país, integra pesquisas biomédicas pioneiras com atendimento clínico e educação excepcionais. Os membros do corpo docente da instituição receberam seis Prêmios Nobel e incluem 26 membros da Academia Nacional de Ciências, 21 membros da Academia Nacional de Medicina e 13 investigadores do Howard Hughes Medical Institute. O corpo docente em tempo integral de mais de 3.100 pessoas é responsável por avanços médicos inovadores e está empenhado em traduzir rapidamente pesquisas orientadas pela ciência em novos tratamentos clínicos. Os médicos da UT Southwestern prestam atendimento em mais de 80 especialidades para mais de 120.000 pacientes hospitalizados, mais de 360.000 casos de pronto-socorro e supervisionam quase 5 milhões de consultas ambulatoriais por ano.
