Radiômica e Machine Learning podem melhorar o tratamento do câncer

Radiômica e Machine Learning podem melhorar o tratamento do câncer

Um escore derivado da tomografia computadorizada usando uma abordagem de radiômica de machine learning de máquina foi capaz de identificar de forma confiável pacientes com câncer de ovário epitelial com resultados de sobrevivência baixos, de acordo com um novo estudo. O método pode ser usado para guiar uma abordagem mais personalizada à terapia nessa malignidade, e é potencialmente transferível para outros tipos de câncer também.

A Radiômica envolve quantificar as características do tumor com base em imagens e ferramentas avançadas de bio-informática. Pode ser útil no câncer de ovário epitelial, dada a heterogeneidade da resposta à terapia. Além disso, pesquisas recentes usaram a subtipagem molecular para tentar determinar os perfis de risco para o câncer de ovário epitelial. “Continua a ser um desafio, no entanto, para traduzir essas características determinadas molecularmente em biomarcadores clinicamente relevantes devido à heterogeneidade intratumor, custo adicional de ensaio elevado e atrasos de tempo”, escreveram autores do estudo liderados por Haonan Lu, do Imperial College London. “Portanto, uma abordagem de marcador de prognóstico não invasivo, em tempo real e com boa relação custo-benefício é garantida para orientar de forma confiável o tratamento personalizado de pacientes com câncer de ovário epitelial.”

Os pesquisadores desenvolveram um programa que resumiu 657 características de exames de TC com contraste de 364 pacientes com câncer de ovário epitelial em sua apresentação inicial, estas características relacionadas com a forma, tamanho, intensidade, textura e decomposições ondulação dos scans. Usando uma abordagem de machine learning, eles derivaram uma estatística denominada Radiomic Prognostic Vector (RPV). O estudo foi publicado na Nature Communications.

Em um conjunto de dados de descoberta, RPV foi continuamente associado com a sobrevida global, com uma taxa de risco de 3,83 (95% CI, 2,27-6,46; P = 5,11 × 10-7). Isso também foi verdadeiro em dois conjuntos de dados de validação separados, e o RPV se saiu melhor do que alguns marcadores prognósticos existentes – incluindo C125 e um subtipo molecular baseado em transcriptoma – na previsão da sobrevida. Juntamente com a sobrevivência, um RPV alto também foi associado à resistência primária à quimioterapia, menor sobrevida livre de progressão e resultados cirúrgicos ruins.

“Nós demonstramos, com base na forte associação entre RPV e resposta à quimioterapia ou cirurgia primária, que pacientes com RPV alto têm um risco significativamente alto de falha na qualidade cirúrgica ou estratégias sistêmicas e sugerem que possivelmente precisam ser direcionados para abordagens terapêuticas alternativas, incluindo terapias modificadoras do estroma ”, escreveram os autores. A ferramenta, acrescentaram, “satisfaz de maneira convincente uma necessidade não satisfeita” no cenário do câncer epitelial de ovário.

O campo da radiômica baseada em machine learning está se expandindo rapidamente, nesta e em outras malignidades. A Radiômica parece oferecer uma oferta quase ilimitada de biomarcadores de imagem que poderiam auxiliar na detecção de câncer, diagnóstico, avaliação do prognóstico, previsão de resposta ao tratamento e monitoramento do estado da doença”, escreveram vários especialistas liderados por Robert J. Gillies, PhD, do departamento de imagens de câncer do H. Lee Moffitt Cancer Center em Tampa, Flórida, em 2015.

E desde então, esse potencial começou a se realizar ainda mais: atualmente, 38 estudos envolvendo radiômica estão ativos ou em recrutamento, de acordo com ClinicalTrials.gov. Estes incluem ensaios em mama, pulmão, colorretal, esofágico e muitas outras malignidades. Em um estudo usando radiomics no câncer de pulmão publicado no final de 2018, autores liderados por Ahmed Hosny, do Dana-Farber Cancer Institute, escreveram: Algoritmos de aprendizagem profunda que aprendem com a experiência oferecem acesso a estados de inteligência sem precedentes que, em alguns casos, inteligência humana. Essa abordagem emergente permite o diagnóstico precoce e tratamentos personalizados específicos do paciente, proporcionando, assim, o atendimento médico adequado ao paciente certo, no momento certo.

Referência

Haonan Lu, Mubarik Arshad, Andrew Thornton, Giacomo Avesani, Paula Cunnea, Ed Curry, Fahdi Kanavati, Jack Liang, Katherine Nixon, Sophie T. Williams, Mona Ali Hassan, David D. L. Bowtell, Hani Gabra, Christina Fotopoulou, Andrea Rockall & Eric O. Aboagye. A mathematical-descriptor of tumor-mesoscopic-structure from computed-tomography images annotates prognostic- and molecular-phenotypes of epithelial ovarian cancer. Nature Communications volume 10, Article number: 764 (2019). https://doi.org/10.1038/s41467-019-08718-9

[Total: 2    Média: 5/5]