Um modelo baseado em inteligência artificial (IA), que analisa imagens e informações clínicas coletadas rotineiramente, levou a uma previsão mais precisa da caquexia do câncer do que os métodos padrão, como apontam resultados de estudo apresentado por Sabeen Ahmed (foto) na Reunião Anual da Associação Americana para Pesquisa do Câncer (AACR), realizada de 25 a 30 de abril. “Os resultados destacam o crescente potencial do aprendizado de máquina para revolucionar o tratamento do câncer e permitir planos de tratamento personalizados”, destacou a pesquisadora.
A caquexia do câncer é uma complicação grave que afeta muitos pacientes com câncer e é caracterizada por inflamação sistêmica, perda muscular grave e perda de peso acentuada. "A detecção da caquexia do câncer permite intervenções farmacológicas e de estilo de vida que podem ajudar a retardar a perda muscular, melhorar a função metabólica e melhorar a qualidade de vida do paciente", disse Sabeen, estudante de pós-graduação da Universidade do Sul da Flórida e do Moffitt Cancer Center.
Os métodos atuais para detectar a caquexia do câncer dependem de observações clínicas, limiares de perda de peso e biomarcadores indiretos, que, segundo a pesquisadora, são frequentemente inconsistentes, subjetivos e detectados tardiamente na progressão da doença.
Ahmed e colegas levantaram a hipótese de que a detecção da caquexia do câncer poderia ser aprimorada com o uso de um biomarcador baseado em IA, derivado de algoritmos e treinado por meio de aprendizado de máquina. "Comparados aos biomarcadores tradicionais, os biomarcadores baseados em IA podem permitir uma detecção mais sensível e precisa da caquexia do câncer, revelando padrões complexos que não são detectados por análises tradicionais", disse ela.
Neste estudo, os pesquisadores desenvolveram e avaliaram um modelo perceptron multicamadas multimodais, baseada em IA, que integra informações de exames de imagem e vários tipos de dados clínicos de rotina para relatar um biomarcador baseado em IA — neste caso, a probabilidade de um paciente ter ou desenvolver caquexia do câncer.
Quando a imagem foi combinada com informações sobre dados demográficos, peso, altura e estágio do câncer em pacientes com câncer de pâncreas, o modelo identificou com precisão a caquexia em 77% dos casos. Essa precisão aumentou para 81% com a adição de resultados laboratoriais e para 85% quando notas clínicas estruturadas foram incorporadas.
Os pesquisadores também avaliaram a capacidade do modelo baseado em IA de prever a sobrevida relativa de um paciente. Em comparação com métodos padrão baseados apenas em dados clínicos, a análise de sobrevida baseada em IA apresentou precisão 6,7%, 3% e 1,5% maior para pacientes com câncer de pâncreas, colorretal e de ovário, respectivamente.
O modelo de biomarcadores baseado em IA funciona em duas etapas. Primeiro, ele examina imagens diagnósticas, como tomografias computadorizadas, para quantificar a quantidade de músculo esquelético no corpo do paciente, usando um algoritmo que detecta e mede o músculo automaticamente. O modelo fornece uma estimativa do grau de confiança na quantificação, o que ajuda a sinalizar resultados de baixa confiança que, provavelmente, se desviarão significativamente das avaliações manuais, explicou Ahmed, esclarecendo que isso permite uma interpretação informada e possível revisão humana. Em seguida, o modelo faz a compilação de vários tipos de dados clínicos coletados rotineiramente como parte de um diagnóstico de câncer — resultados de laboratório, anotações de prontuários médicos eletrônicos e medidas de peso e altura, entre outros — e incorpora esses dados à quantificação do músculo esquelético da primeira etapa para calcular o biomarcador baseado em IA.
A função de quantificação do músculo esquelético do modelo foi treinada usando tomografias computadorizadas de pacientes com câncer gastroesofágico ou pancreático e validada em um conjunto separado de imagens de pacientes com câncer de pâncreas, colorretal e ovário. No teste de validação, as quantificações do modelo de IA músculo esquelético diferiram em uma mediana de 2,48% das quantificações manuais feitas por radiologistas especialistas.
A discrepância mediana de 2,48% indica que, em média, as medições do modelo músculo esquelético foram muito próximas das medições dos radiologistas especialistas, demonstrando a alta confiabilidade da estratégia baseada em IA.
“Nossa abordagem multimodal orientada por IA fornece uma solução escalonável e objetiva para detectar caquexia do câncer usando vários tipos de dados coletados no momento do diagnóstico, permitindo que os profissionais de saúde iniciem intervenções para mitigar a caquexia mais cedo no curso da doença”, observou Ahmed.
Uma limitação do estudo foi que o modelo orientado por IA foi treinado e validado usando dados de apenas alguns tipos de câncer, o que impede a compreensão de como o modelo se comportaria em pacientes com outros tipos de câncer. Outra limitação é que o estudo utilizou apenas tomografias computadorizadas para análises com o modelo músculo esquelético, indicando que a incorporação de outros tipos de exames de imagem pode melhorar a robustez do modelo, explicamm os pesquisadores.
Como o desempenho do modelo depende da qualidade dos dados clínicos e de imagem que analisa, dados ausentes ou com ruído podem afetar sua precisão em aplicações clínicas reais.
Referência:
Session Type: Minisymposium
Session Title: Artificial Intelligence and Machine Learning for Basic and Translational Research Location: Room S103 - McCormick Place South (Level 1)
Session Time: Sunday, April 27, 2025, 3:00 pm - 5:00 pm
Presentation Number: 1143
Title: Reliable skeletal muscle area quantification and clinical data integration for predicting cancer cachexia
Author Block: Sabeen Ahmed et al.
