Notícia

Inteligência Artificial identifica estágios de tumor de mama com probabilidade de progredir para câncer invasivo

Jmarchn via Wikimedia Commons

Fonte

MIT | Instituto de Tecnologia de Massachusetts

Data

terça-feira, 23 julho 2024 19:25

Áreas

Bioinformática. Computação. Engenharia Biomédica. Imagens e Diagnóstico. Informática Médica. Inteligência Artificial. Medicina. Oncologia. Saúde da Mulher. Saúde Pública.

O carcinoma ductal in situ (CDIS) é um tipo de tumor pré-invasivo que às vezes progride para uma forma altamente mortal de câncer de mama. Ele é responsável por cerca de 25% de todos os diagnósticos de câncer de mama.

Como é difícil para os médicos determinar o tipo e o estágio do CDIS, os pacientes com CDIS são expostos a um tratamento excessivo. Para resolver isso, uma equipe interdisciplinar de pesquisadores do Instituto de Tecnologia de Massachusetts (MIT), nos Estados Unidos, e do Instituto Federal de Tecnologia de Zurique (ETH Zurique), na Suíça, desenvolveu um modelo de Inteligência Artificial (IA) que pode identificar os diferentes estágios do CDIS a partir de uma imagem de tecido mamário barata e fácil de obter. O modelo mostra que tanto o estado quanto o arranjo das células em uma amostra de tecido são importantes para determinar o estágio do CDIS.

Como essas imagens de tecido são de fácil obtenção, os pesquisadores conseguiram construir um dos maiores conjuntos de dados desse tipo, que eles usaram para treinar e testar seu modelo. Quando compararam suas previsões com as conclusões de um patologista, eles encontraram concordância clara em muitos casos.

No futuro, o modelo pode ser usado como ferramenta para ajudar os médicos a agilizar o diagnóstico de casos mais simples sem a necessidade de testes trabalhosos, dando a eles mais tempo para avaliar casos em que é menos claro se o DCIS se tornará invasivo.

“Demos o primeiro passo para entender que deveríamos observar a organização espacial das células ao diagnosticar o DCIS, e agora desenvolvemos uma técnica que é escalável. A partir daqui, realmente precisamos de um estudo prospectivo. Trabalhar com um hospital e levar isso até a clínica será um passo importante”, disse a Dra. Caroline Uhler, professora do Departamento de Engenharia Elétrica e Ciência da Computação (EECS), do Instituto de Dados, Sistemas e Sociedade (IDSS) e pesquisadora do Laboratório de Sistemas de Informação e Decisão (LIDS) do MIT.

No estudo, a professora Caroline Uhler trabalhou em conjunto com Xinyi Zhang, doutoranda do MIT e com o Dr. GV Shivashankar, professor do ETH Zurique, além de outros colegas do MIT, do ETH Zurique e da Universidade de Palermo, na Itália. Os resultados foram publicados na revista científica Nature Communications.

Combinando imagens com IA

Entre 30% e 50% dos pacientes com DCIS desenvolvem um estágio altamente invasivo do câncer, mas os pesquisadores não conhecem os biomarcadores que podem indicar aos médicos quais tumores irão progredir.

Os pesquisadores podem usar técnicas como coloração multiplexada ou sequenciamento de RNA de célula única para determinar o estágio do DCIS em amostras de tecido. No entanto, esses testes são muito caros para serem realizados amplamente, explicou o professor GV Shivashankar.

Em trabalhos anteriores, eles mostraram que uma técnica de imagem barata conhecida como coloração de cromatina poderia ser tão informativa quanto o sequenciamento de RNA de célula única, um exame muito mais caro.

Para esta pesquisa, os pesquisadores quiseram testar a hipótese de que a combinação deste método de imagem mais barato com um modelo de aprendizado de máquina cuidadosamente projetado poderia fornecer as mesmas informações sobre o estágio do câncer que técnicas mais caras.

Então, eles criaram um conjunto de dados contendo 560 imagens de amostras de tecido de 122 pacientes em três estágios diferentes da doença. Eles usaram esse conjunto de dados para treinar um modelo de IA que aprende uma representação do estado de cada célula em uma imagem de amostra de tecido, que é usado para inferir o estágio do câncer de um paciente.

No entanto, nem toda célula é indicativa de câncer, então os pesquisadores tiveram que agregá-las de uma maneira diferente: eles projetaram o modelo para criar grupos de células em estados semelhantes, identificando oito estados que são marcadores importantes de DCIS. Alguns estados celulares são mais indicativos de câncer invasivo do que outros. O modelo determina então a proporção de células em cada estado em uma amostra de tecido.

Organização importa

“Mas no câncer, a organização das células também muda. Descobrimos que apenas ter as proporções de células em cada estado não era suficiente. Então precisamos entender como as células são organizadas”, disse o Dr. Shivashankar.

Com essa percepção, eles projetaram o modelo para considerar a proporção e a disposição dos estados celulares, o que aumentou significativamente sua precisão.

“O interessante para nós foi ver o quanto a organização espacial importa. Estudos anteriores mostraram que células próximas ao ducto mamário são importantes. Mas também é importante considerar quais células estão próximas de quais outras células”, disse Xinyi Zhang.

Quando eles compararam os resultados de seu modelo com amostras avaliadas por um patologista, houve concordância clara em muitos casos. Em casos que não eram tão claros, o modelo poderia fornecer informações sobre características em uma amostra de tecido, como a organização das células, que um patologista poderia usar na tomada de decisões.

Este modelo versátil também poderia ser adaptado para uso em outros tipos de câncer, ou mesmo condições neurodegenerativas, que é uma área que os pesquisadores também estão explorando atualmente.

Acesse o artigo científico completo (em inglês).

Acesse a notícia completa na página do Instituto de Tecnologia de Massachusetts (em inglês).

Fonte: Adam Zewe, MIT News. Imagem: Microcalcificações em carcinoma ductal in situ. Fonte: Jmarchn via Wikimedia Commons.

Em suas publicações, o Portal Tech4Health da Rede T4H tem o único objetivo de divulgação científica, tecnológica ou de informações comerciais para disseminar conhecimento. Nenhuma publicação do Portal Tech4Health tem o objetivo de aconselhamento, diagnóstico, tratamento médico ou de substituição de qualquer profissional da área da saúde. Consulte sempre um profissional de saúde qualificado para a devida orientação, medicação ou tratamento, que seja compatível com suas necessidades específicas.