O câncer colorretal (CRC) é a segunda causa mais comum de morte por câncer nos Estados Unidos, levando cerca de 53.000 mortes a cada ano. O CCR é uma doença complexa e multifacetada que apresenta desafios significativos no diagnóstico, prognóstico e seleção do tratamento. Em um estudo relatado na Nature Communications, Kun-Hsing Yu e sua equipe da Harvard Medical School desenvolveram o sistema Multi-omics Multi-cohort Assessment (MOMA), uma estrutura de aprendizado de máquina para a previsão de prognóstico em pacientes com câncer colorretal.
Os pesquisadores mostraram que as imagens de histopatologia podem ser usadas como preditores confiáveis de aberrações multi-ômicas: anormalidades genômicas, epigenômicas, transcriptômicas e proteômicas. “Essas descobertas são uma grande promessa para melhorar os resultados dos pacientes e mudar a maneira como abordamos o tratamento do câncer de cólon”, diz Yu.
Os métodos atuais para avaliar o prognóstico do CRC incluem uma combinação de análise de dados histopatológicos, genômicos e clínicos, com o exame histopatológico permanecendo o padrão-ouro para o diagnóstico. A seleção do tratamento para CCR é baseada em subtipos histológicos e variações genéticas. Variações entre avaliadores no diagnóstico histopatológico foram relatadas, no entanto, e o processo de análise genômica pode levar dias ou até semanas para ser concluído, além de não estar disponível em todas as clínicas nos países em desenvolvimento. Tais limitações podem impedir que os pacientes com CCR recebam tratamentos oportunos e adequados.
Yu e sua equipe de pesquisa reconheceram a incapacidade da análise humana de imagens de histopatologia para revelar informações valiosas sobre a doença. O MOMA usa técnicas avançadas de análise de imagem e algoritmos de aprendizado de máquina (ML) para preencher a lacuna entre a inspeção visual de tumores e as aberrações moleculares encontradas nas células tumorais. A estrutura ML prevê com sucesso os prognósticos de pacientes com câncer colorretal em estágio inicial e identifica o status genômico e proteômico de amostras de câncer usando imagens histopatológicas.
Os pesquisadores desenvolveram um modelo de aprendizado profundo que pode extrair características e padrões de imagens histopatológicas digitalizadas, permitindo a identificação de importantes características celulares associadas a certas condições. Eles treinaram seu modelo usando informações obtidas de 1.888 pacientes com câncer colorretal de diversas populações.
Em testes em imagens não vistas, o modelo baseado em histopatologia mostrou uma precisão notável na previsão de uma ampla variedade de mutações, incluindo alterações genômicas e variações transcriptômicas. Além disso, o modelo de IA previu os resultados de sobrevida dos pacientes, apontando para o potencial dos recursos de imagem histopatológica como índices prognósticos.
A equipe sugere que o modelo ML também pode facilitar o desenvolvimento da medicina personalizada, com a integração de imagens de histopatologia e dados ômicos quantitativos abrindo caminhos interessantes para tratamentos personalizados de câncer. Essa abordagem é uma grande promessa para otimizar as opções de tratamento, minimizar os efeitos colaterais e melhorar os resultados gerais do paciente.
Com o desenvolvimento de algoritmos sofisticados e técnicas de processamento de imagens, as ferramentas de IA para análises de imagens histopatológicas podem ser integradas à prática clínica de rotina. No futuro, oncologistas, patologistas e outros profissionais de saúde poderão usar essa valiosa ferramenta para melhorar a precisão do diagnóstico, prever a resposta ao tratamento e adaptar tratamentos para pacientes com câncer colorretal.
Quer saber mais?
Fonte: https://physicsworld.com/a/novel-ai-tool-predicts-colorectal-cancer-survival-from-pathology-images/
