A Systematic Review on the Generative AI Applications in Human Medical Genomics

Resumo Técnico: Uma Revisão Sistemática sobre as Aplicações de IA Generativa na Genômica Médica Humana

Definição do Problema
Técnicas estatísticas tradicionais e métodos convencionais de aprendizado de máquina historicamente contribuíram para a genética e o diagnóstico de doenças hereditárias, mas frequentemente enfrentam dificuldades com dados de alta dimensão e complexidade, além de tarefas que exigem uma compreensão contextual profunda. Embora o aprendizado profundo tenha abordado algumas limitações, o campo requer uma avaliação abrangente dos Modelos de Linguagem de Grande Escala (LLMs) de última geração e das arquitetias de transformer. As revisões existentes carecem frequentemente de rigor sistemático, focam excessivamente em modelos específicos (ex: ChatGPT) ou doenças, ou não distinguem entre aplicações gerais de saúde e diagnósticos genéticos específicos. Há uma necessidade crítica de mapear as capacidades e limitações atuais da IA generativa em todo o fluxo de diagnóstico de doenças hereditárias, desde a organização de dados pré-analíticos até o suporte à decisão pós-analítica.

Metodologia
Este estudo emprega uma abordagem de revisão sistemática aderindo às diretrizes PRISMA 2020. Os autores realizaram uma busca baseada em palavras-chave automatizada em quatro repositórios principais: PubMed, bioRxiv, medRxiv e arXiv.

• Escopo da Busca: A busca visou a literatura de 2023 até janeiro de 2025 para capturar os desenvolvimentos mais recentes neste campo em rápida evolução.
• Estratégia de Consulta: A busca combinou termos relacionados à genética/medicina (ex: "NGS", "interpretação de variantes", "fenótipo") com termos relacionados a modelos transformer e LLMs (ex: "LLM", "GPT", "BERT", "RAG", "mecanismo de atenção").
• Processo de Filtragem: Um conjunto inicial de 57.558 artigos foi reduzido para 51.613 após deduplicação automatizada. Uma análise semântica primária usando pontuações TF-IDF e expressões regulares filtrou a relevância para três categorias: termos relacionados a LLM, termos clínicos e termos relacionados à genética.
• Critérios de Seleção: Os artigos foram classificados manualmente em "irrelevantes", "parcialmente relevantes" (discutem modelos de linguagem, mas não focam diretamente no escopo do estudo, ou utilizam modelos desatualizados) e "totalmente relevantes" (utilizam arquiteturas transformer modernas em diagnósticos e genética).
• Conjunto de Dados Final: A revisão analisou um total de 172 estudos (123 totalmente relevantes e 49 parcialmente relevantes), abrangendo aplicações nos estágios de diagnóstico (fases pré-analítica, analítica e pós-analítica) e educação.

Principais Contribuições e Resultados
A revisão categoriza a aplicação de LLMs e transformers nos três estágios padrão do fluxo de diagnóstico da genética médica, juntamente com aplicações educacionais:

1. Estágio Pré-Analítico (Melhorando os Próximos Passos):

   • Navegação de Conhecimento e Revisão de Literatura: LLMs são usados para extrair conhecimento estruturado (genes, fenótipos, variantes) de textos não estruturados e Registros Eletrônicos de Saúde (EHRs). Modelos baseados em codificador (ex: BERT) dominam as tarefas de Reconhecimento de Entidades Nomeadas (NER) e extração de relações. Modelos baseados em decodificador (ex: GPT-3.5/4) são cada vez mais utilizados para resposta a perguntas e geração de hipóteses, embora enfrentem desafios com alucinações e sensibilidade ao prompt. Ferramentas como PubTator 3.0 e GeneGPT demonstram a integração de geração aumentada por recuperação (RAG) e acesso a APIs ao vivo para recuperação de evidências.
   • Estratificação de Risco: Modelos transformer analisam notas clínicas, históricos familiares e dados multimodais para avaliar predisposições genéticas individuais e identificar grupos de pacientes de alto risco. Modelos que utilizam mecanismos de atenção mostraram promessa na predição de trajetórias de doenças (ex: insuficiência cardíaca, sobrevivência ao câncer) integrando EHRs, imagens e dados genéticos.

2. Estágio Analítico (Análise de Dados e Interpretação):

   • Análise de Imagens Médicas: Vision Transformers (ViTs) são cada vez mais aplicados para ligar características visuais a dados genômicos. As aplicações incluem a detecção de anormalidades estruturais em exames de RM/TC, predição de mutações genéticas a partir de histologia e identificação de características sindrômicas em imagens faciais (ex: GestaltMML). Os ViTs permitem a predição genética direta a partir de dados visuais, como a predição de subtipos de tumores ou cariotipagem a partir de imagens microscópicas.
   • Análise de Efeitos de Variantes: Modelos de fundação treinados em sequências de DNA bruto (ex: Nucleotide Transformer, GENA-LM, MethylGPT) são usados para prever consequências funcionais de variantes na estrutura proteica, regulação e resposta a fármacos. Modelos como o AlphaMissense combinam dados estruturais com modelagem de linguagem de proteínas para classificar a patogenicidade de variantes missense.
   • Interpretação Clínica de Variantes: LLMs auxiliam na identificação e classificação de variantes causais. Ferramentas como o Genetic Transformer (GeneT) e MAVERICK usam modelos ajustados (fine-tuned) para emular o raciocínio especializado, reduzindo o espaço de busca para variantes de doenças raras. O VarChat facilita a interação via linguagem natural para resumir a literatura relacionada a variantes.

3. Estágio Pós-Analítico (Diagnóstico e Decisões):

   • Agrupamento de Pacientes e Subtipagem: Transformers integram imagens, dados genéticos e dados clínicos longitudinais para estratificar pacientes e identificar subtipos de doenças (ex: progressão da doença de Alzheimer, carga mutacional tumoral).
   • Agregação de Dados e Resultados: Modelos são usados para fundir fontes de dados heterogêneas para prognóstico e recomendações de tratamento. Modelos generativos são testados quanto à sua capacidade de sugerir estratégias de tratamento baseadas em evidências em oncologia, embora a confiabilidade varie.
   • Geração de Relatórios Clínicos: LLMs apoiam a automação da geração de relatórios e o suporte à decisão, auxiliando clínicos na síntese de dados genômicos e na comunicação de resultados aos pacientes. No entanto, estudos destacam a necessidade de supervisão especializada devido a ocasionais imprecisões factuais.

4. Educação:

   • LLMs servem como ferramentas de aprendizagem conversacional para estudantes de medicina e profissionais, oferecendo sistemas de Q&A e materiais visuais sintéticos (ex: imagens faciais geradas por IA para treinamento de síndromes) para abordar preocupações de privacidade e escassez de educadores.

Significância e Alegações
O artigo afirma que modelos baseados em transformers avançam significativamente a estratificação de doenças e riscos, interpretação de variantes, análise de imagens médicas e geração de relatórios em genômica médica humana. A revisão serve como uma classificação abrangente e um guia para pesquisadores e profissionais que navegam neste campo em evolução.

Contudo, os autores mantêm uma postura modesta em relação às limitações atuais:

• Desafios de Integração: Persistem obstáculos importantes na integração de dados multimodais (sequências genômicas, imagens e registros clínicos) em fluxos de trabalho unificados e clinicamente robustos.
• Generalização: Existem limitações na generalização dos modelos entre diferentes populações e contextos clínicos.
• Confiabilidade: Questões como alucinações, deriva de modelo (model drift) e vieses (raciais, demográficos e linguísticos) continuam sendo barreiras significativas para a implementação clínica total.
• Papel da IA: A revisão enfatiza que os LLMs funcionam atualmente como ferramentas de suporte, não como substitutos para a expertise humana. A supervisão humana permanece essencial para a tomada de decisões, particularmente em contextos diagnósticos.

O artigo conclui que, embora os LLMs estejam transformando o diagnóstico de doenças hereditárias e apoiando a educação genética, sua implementação clínica bem-sucedida depende do enfrentamento da integridade dos dados, do viés e do desenvolvimento de estratégias de integração multimodal confiáveis.