.
Os cientistas projetaram uma ferramenta de IA que pode decodificar rapidamente o DNA de um tumor cerebral para determinar sua identidade molecular durante a cirurgia – informações críticas que sob a abordagem atual podem levar alguns dias e até algumas semanas.
Conhecer o tipo molecular de um tumor permite que os neurocirurgiões tomem decisões como quanto tecido cerebral remover e se devem colocar drogas que matam o tumor diretamente no cérebro – enquanto o paciente ainda está na mesa de operação.
Um relatório sobre o trabalho, liderado por pesquisadores da Harvard Medical School, foi publicado em 7 de julho na revista Med.
O diagnóstico molecular preciso – que detalha as alterações do DNA em uma célula – durante a cirurgia pode ajudar um neurocirurgião a decidir quanto tecido cerebral remover. Remover muito quando o tumor é menos agressivo pode afetar a função neurológica e cognitiva do paciente. Da mesma forma, remover muito pouco quando o tumor é altamente agressivo pode deixar para trás tecido maligno que pode crescer e se espalhar rapidamente.
“Neste momento, mesmo a prática clínica de ponta não pode traçar o perfil molecular dos tumores durante a cirurgia. Nossa ferramenta supera esse desafio extraindo sinais biomédicos até então inexplorados de lâminas de patologia congeladas”, disse o autor sênior do estudo Kun-Hsing Yu, assistente professor de informática biomédica no Blavatnik Institute em HMS.
Conhecer a identidade molecular de um tumor durante a cirurgia também é valioso porque certos tumores se beneficiam do tratamento no local com bolachas revestidas com drogas colocadas diretamente no cérebro no momento da operação, disse Yu.
“A capacidade de determinar o diagnóstico molecular intraoperatório em tempo real, durante a cirurgia, pode impulsionar o desenvolvimento da oncologia de precisão em tempo real”, acrescentou Yu.
A abordagem diagnóstica intraoperatória padrão usada agora envolve retirar tecido cerebral, congelá-lo e examiná-lo ao microscópio. Uma grande desvantagem é que o congelamento do tecido tende a alterar a aparência das células ao microscópio e pode interferir na precisão da avaliação clínica. Além disso, o olho humano, mesmo ao usar microscópios potentes, não pode detectar com segurança variações genômicas sutis em uma lâmina.
A nova abordagem de IA supera esses desafios.
A ferramenta, chamada CHARM (Cryosection Histopathology Assessment and Review Machine), está disponível gratuitamente para outros pesquisadores. Ele ainda precisa ser validado clinicamente por meio de testes em ambientes do mundo real e liberado pelo FDA antes da implantação em hospitais, disse a equipe de pesquisa.
Decifrando o código molecular do câncer
Avanços recentes na genômica permitiram aos patologistas diferenciar as assinaturas moleculares – e os comportamentos que essas assinaturas pressagiam – em vários tipos de câncer cerebral, bem como em tipos específicos de câncer cerebral. Por exemplo, glioma – o tumor cerebral mais agressivo e a forma mais comum de câncer cerebral – tem três subvariantes principais que carregam diferentes marcadores moleculares e têm diferentes propensões para crescimento e disseminação.
A capacidade da nova ferramenta de agilizar o diagnóstico molecular pode ser particularmente valiosa em áreas com acesso limitado à tecnologia para realizar o sequenciamento genético rápido do câncer.
Além das decisões tomadas durante a cirurgia, o conhecimento do tipo molecular de um tumor fornece pistas sobre sua agressividade, comportamento e provável resposta a vários tratamentos. Tal conhecimento pode informar as decisões pós-operatórias.
Além disso, a nova ferramenta permite diagnósticos durante a cirurgia alinhados com o sistema de classificação recentemente atualizado da Organização Mundial da Saúde para diagnosticar e classificar a gravidade dos gliomas, que exige que tais diagnósticos sejam feitos com base no perfil genômico do tumor.
Treinamento CHARME
O CHARM foi desenvolvido usando 2.334 amostras de tumores cerebrais de 1.524 pessoas com glioma de três diferentes populações de pacientes. Quando testado em um conjunto nunca antes visto de amostras cerebrais, a ferramenta distinguiu tumores com mutações moleculares específicas com 93% de precisão e classificou com sucesso três tipos principais de gliomas com características moleculares distintas que carregam diferentes prognósticos e respondem de maneira diferente aos tratamentos.
Indo um passo adiante, a ferramenta capturou com sucesso as características visuais do tecido ao redor das células malignas. Ele foi capaz de detectar áreas reveladoras com maior densidade celular e mais morte celular nas amostras, ambas sinalizando tipos de glioma mais agressivos.
A ferramenta também foi capaz de identificar alterações moleculares clinicamente importantes em um subconjunto de gliomas de baixo grau, um subtipo de glioma que é menos agressivo e, portanto, menos propenso a invadir o tecido circundante. Cada uma dessas mudanças também sinaliza propensão diferente para crescimento, disseminação e resposta ao tratamento.
A ferramenta conectou ainda mais a aparência das células – a forma de seus núcleos, a presença de edema ao redor das células – com o perfil molecular do tumor. Isso significa que o algoritmo pode identificar como a aparência de uma célula se relaciona com o tipo molecular de um tumor.
Essa capacidade de avaliar o contexto mais amplo em torno da imagem torna o modelo mais preciso e mais próximo de como um patologista humano avaliaria visualmente uma amostra de tumor, disse Yu.
Os pesquisadores dizem que, embora o modelo tenha sido treinado e testado em amostras de glioma, ele pode ser retreinado com sucesso para identificar outros subtipos de câncer cerebral.
Os cientistas já projetaram modelos de IA para traçar o perfil de outros tipos de câncer – cólon, pulmão, mama – mas os gliomas permaneceram particularmente desafiadores devido à sua complexidade molecular e enorme variação na forma e aparência das células tumorais.
A ferramenta CHARM teria que ser retreinada periodicamente para refletir novas classificações de doenças à medida que surgissem de novos conhecimentos, disse Yu.
“Assim como os médicos humanos que devem se envolver em educação e treinamento contínuos, as ferramentas de IA devem acompanhar os conhecimentos mais recentes para permanecer no desempenho máximo”.
Autoria, financiamento, divulgações
Os coinvestigadores incluíram MacLean P. Nasrallah, Junhan Zhao, Cheng Che Tsai, David Meredith, Eliana Marostica, Keith L. Ligon e Jeffrey A. Golden.
Este trabalho foi financiado em parte pela concessão R35GM142879 do National Institute of General Medical Sciences, Google Research Scholar Award, Blavatnik Center for Computational Biomedicine Award, Partners Innovation Discovery Grant e Schlager Family Award for Early-Stage Digital Health Innovations.
.
