Transfer Learning and Machine Learning for Training Five Year Survival Prognostic Models in Early Breast Cancer

Todos os anos, milhões de mulheres em todo o mundo recebem um diagnóstico de câncer de mama em estágio inicial. Neste estágio, a doença não se espalhou além da mama ou dos linfonodos próximos, o que abre as portas para uma ampla gama de opções de tratamento. Os médicos devem decidir se uma paciente precisa apenas de cirurgia ou se ela também necessita de radioterapia, quimioterapia ou hormonioterapia. Para tomar essas decisões difíceis, os clínicos dependem de ferramentas prognósticas — modelos matemáticos que estimam a chance de uma paciente sobreviver cinco anos após o diagnóstico. Essas estimativas ajudam médicos e pacientes a pesar os benefícios de um tratamento agressivo contra os riscos de efeitos colaterais. Por décadas, as ferramentas mais acessíveis basearam-se em informações clínicas padrão: o tamanho do tumor, a idade da paciente e a aparência das células cancerígenas sob o microscópio. Embora existam testes genéticos mais novos e caros, as ferramentas mais simples e antigas permanecem vitais porque são amplamente disponíveis e acessíveis. No entanto, essas ferramentas tradicionais são construídas com base em dados de grupos específicos de pessoas e podem, por vezes, ter dificuldades quando aplicadas a diferentes populações ou quando informações estão faltando.

Em um estudo recente, pesquisadores buscaram ver se a ciência da computação moderna poderia dar uma nova vida a essas ferramentas clássicas. Eles focaram em um desafio específico: como pegar um modelo de sobrevivência comprovado e adaptá-lo a um novo grupo de pacientes sem precisar reconstruir todo o sistema do zero. Eles também exploraram se novos tipos de algoritmos de computador, conhecidos como aprendizado de máquina (machine learning), poderiam aprender diretamente dos registros dos pacientes para fazer previsões melhores. A equipe comparou três abordagens diferentes: simplesmente usar o modelo antigo como ele era, ajustar o modelo antigo para se adequar aos novos dados e treinar programas de computador inteiramente novos do zero. O objetivo deles era ver qual método oferecia as estimativas de sobrevivência mais precisas e confiáveis para mulheres com câncer de mama precoce, particularmente quando alguns detalhes médicos estavam faltando em seus registros.

Os pesquisadores iniciaram seu trabalho com um grande ensaio clínico chamado MA.27, que acompanhou milhares de mulheres na pós-menopausa com câncer de mama com receptores hormonais positivos. Eles queriam prever quem sobreviveria cinco anos sem que o câncer retornasse. Primeiro, testaram uma ferramenta bem conhecida chamada PREDICT, que havia sido treinada com dados do Reino Unido. Quando aplicaram essa ferramenta às mulheres americanas e canadenses do ensaio MA.27, ela funcionou, mas não foi perfeita. A ferramenta falhou em fornecer uma previsão para quase um quarto das pacientes porque exigia detalhes específicos, como o número exato de linfonodos positivos ou o tamanho preciso do tumor, que estavam ausentes ou foram registrados de forma diferente nos dados do ensaio. Mesmo para as pacientes que ela conseguia prever, a ferramenta tendia a ser ligeiramente imprecisa em suas estimativas, frequentemente subestimando quantas mulheres sobreviveriam.

Para corrigir isso, a equipe tentou uma técnica chamada aprendizado por transferência (transfer learning). Imagine um músico que dominou o violino e depois aprende a tocar viola; ele não começa do zero, mas sim adapta suas habilidades existentes para o novo instrumento. Da mesma forma, os pesquisadores pegaram o modelo PREDICT pré-treinado e "ajustaram finamente" (fine-tuned) suas configurações internas para corresponder aos padrões específicos encontrados nos dados do MA.27. Esse processo, que ajustou os parâmetros do modelo para se adequar ao novo grupo, melhorou dramaticamente a precisão das previsões. No entanto, assim como a ferramenta original, o modelo ajustado ainda não conseguia fornecer estimativas de sobrevivência para cerca de 24% das pacientes porque permanecia dependente de pontos de dados que estavam ausentes em seus registros. Em contraste, os novos modelos de aprendizado de máquina podiam prever a sobrevivência de todos os indivíduos, independentemente de informações faltantes.

A equipe também treinou novos modelos de computador do zero usando os dados do MA.27. Esses modelos, construídos usando métodos que se destacam em encontrar padrões em dados complexos, não dependiam das regras antigas baseadas no Reino Unido. Em vez disso, eles aprenderam diretamente com as pacientes americanas e canadenses. Um desses novos modelos teve um desempenho tão bom quanto a versão ajustada, enquanto outro mostrou forças ligeiramente diferentes. Crucialmente, esses novos modelos podiam lidar com informações ausentes naturalmente. Ao contrário da ferramenta original, que pararia de funcionar se um único dado estivesse ausente, os novos programas de computador ainda podiam fazer uma previsão usando as informações que estavam disponíveis. Esta é uma vantagem significativa na medicina do mundo real, onde os registros dos pacientes são frequentemente incompletos.

Finalmente, os pesquisadores combinaram as forças de todas essas abordagens em um único modelo de "conjunto" (ensemble). Este sistema pegava as previsões da ferramenta ajustada e dos novos modelos de computador e as misturava para criar uma estimativa final e unificada. Essa abordagem combinada provou ser robusta, oferecendo a confiabilidade do modelo ajustado com a flexibilidade dos novos algoritmos. Quando a equipe testou esses modelos aprimorados em um grupo separado de pacientes de um ensaio clínico diferente, os resultados foram mistos. As melhorias mantiveram-se verdadeiras para um grande conjunto de dados dos Estados Unidos, confirmando que os modelos podem se generalizar para populações semelhantes. No entanto, quando testados em um ensaio multinacional envolvendo pacientes da Europa e da Ásia, as melhorias foram menos claras, e o modelo original pré-treinado na verdade teve um desempenho melhor do que as versões adaptadas naquele coorte específico, sugerindo que os modelos ainda precisam ser cuidadosamente adaptados para grupos de pacientes muito diferentes.

O estudo conclui que, embora as ferramentas tradicionais sejam valiosas, elas podem ser significativamente aprimoradas por técnicas modernas. Ao ajustar modelos existentes ou treinar novos modelos com dados locais, os médicos podem obter estimativas de sobrevivência mais precisas, mesmo quando os registros dos pacientes são imperfeitos. A pesquisa destaca que a idade da paciente, o número de linfonodos afetados, o grau do tumor e o tamanho do tumor são os fatores mais importantes para prever a sobrevivência, um achado que se manteve constante em todos os diferentes modelos. Em última análise, este trabalho sugere que não precisamos abandonar nossas ferramentas estabelecidas para melhorar o cuidado ao paciente. Em vez disso, ao usar métodos computacionais inteligentes para adaptar essas ferramentas a novas situações, podemos fornecer orientações mais personalizadas e confiáveis para mulheres que enfrentam o câncer de mama, garantindo que as decisões de tratamento sejam baseadas na melhor informação possível.