Predictive Radiomics for Evaluation of Cancer Immune SignaturE in Glioblastoma: the PRECISE-GBM study

Resumo Técnico: Radiômica Preditiva para Avaliação da Assinatura Imune do Câncer em Glioblastoma (PRECISE-GBM)

Declaração do Problema
O microambiente tumoral imune (TME) no glioblastoma IDH-selvagem (IDH-wt) caracteriza-se por heterogeneidade significativa e um estado imunossupressor, o que impõe desafios à eficácia da imunoterapia. Estratégias atuais para identificar biomarcadores imunes dependem de biópsias de tecido invasivas, histopatologia e imunohistoquímica. Esses métodos fornecem insights moleculares detalhados, mas são limitados pela heterogeneidade espacial, pela incapacidade de amostrar lesões profundas ou inoperáveis e pela falta de ferramentas não invasivas para estratificação pré-operatória de pacientes. Os autores hipotetizam que imagens de ressonância magnética (MRI) pré-operatórias contêm biomarcadores radiológicos capazes de prever o estado imune do tumor, especificamente assinaturas de células imunes derivadas de dados transcriptômicos, oferecendo assim uma via não invasiva para o enriquecimento de ensaios clínicos.

Metodologia
O estudo PRECISE-GBM é um estudo retrospectivo, multicêntrico de desenvolvimento de biomarcadores e validação analítica, utilizando o maior conjunto de dados aberto conhecido de MRI pré-operatória e dados transcriptômicos pareados para glioblastoma IDH-wt.

• Curadoria e Harmonização de Dados: O estudo integrou dados de cinco repositórios públicos: TCGA-GBM, CPTAC, IvyGAP, REMBRANDT e CGGA, compreendendo 176 pacientes. Para abordar a ausência de sequências FLAIR no conjunto de dados CGGA, imagens FLAIR sintéticas foram geradas usando uma Rede Adversária Generativa (GAN) baseada em pix2pix; essas imagens sintéticas foram restritas aos dados de treinamento para garantir a integridade do teste de retenção. Dados transcriptômicos (RNA-seq e microarray) foram harmonizados usando ComBat para remover efeitos de lote.
• Construção de Rótulos Imunes: A citometria digital (CIBERSORTx) foi aplicada a dados transcriptômicos de massa utilizando duas matrizes de assinatura de referência: uma matriz pan-câncer e uma matriz específica para glioblastoma. Esse processo estimou pontuações para 17 categorias de células imunes (incluindo subconjuntos de células T, subtipos de macrófagos M0/M1/M2, microglia, células NK e células dendríticas). Essas pontuações contínuas foram binarizadas em classes "alta" (1) ou "baixa" (0) usando um Modelo de Mistura Gaussiana (GMM).
• Extração de Características Radiômicas: A auto-segmentação baseada em aprendizado profundo (DeepBraTumIA) delimitou três regiões tumorais: núcleo necrótico, tumor realçante e edema. Características radiômicas (forma, primeira ordem e características de textura de ordem superior de GLCM, GLSZM, GLDM, NGTDM e GLRLM) foram extraídas das sequências T1, T1CE, T2 e FLAIR.
• Arquitetura do Modelo e Validação:
  • Pré-processamento: Valores discrepantes foram removidos via Análise de Componentes Principais (PCA) e elipse de Hotelling's T2. Características radiômicas foram harmonizadas usando neuroCombat e normalizadas via escore Z.
  • Seleção de Características: O Operador de Encolhimento e Seleção Least Absolute Shrinkage and Selection Operator (LASSO) com validação cruzada aninhada de 5 dobras foi usado para selecionar características discriminativas para cada rótulo imune.
  • Classificação: Dois tipos de modelo foram treinados: Máquinas de Vetor de Suporte (SVM) e um modelo de Ensemble (SVM ponderado 2:1:1 com Random Forest e Gradient Boosting baseado em Histograma).
  • Estratégia de Validação: Três experimentos independentes entre coortes foram conduzidos. Em cada um, os modelos foram treinados em uma combinação de conjuntos de dados e validados em um conjunto de dados externo estritamente retido (IvyGAP, TCGA ou CPTAC) para avaliar a generalizabilidade. O desempenho foi avaliado usando precisão, acurácia balanceada e Coeficiente de Correlação de Matthews (MCC). Reamostragem bootstrap (10.000 iterações) foi usada para comparar estatisticamente o desempenho do modelo.

Principais Resultados

• Seleção de Características: Após a seleção, 2069 características radiômicas distintas foram identificadas entre as 17 categorias imunes. As características foram distribuídas relativamente uniformemente entre as regiões tumorais (núcleo necrótico, realçante, edema) e sequências de MRI.
• Desempenho do Modelo:
  • Assinatura de Macrófago M0: O modelo de ensemble usando a matriz de assinatura pan-câncer (ENS_pan) demonstrou o desempenho mais estável para prever o subtipo de macrófago M0. Através dos três conjuntos de dados de retenção independentes, alcançou uma acurácia balanceada média de 0,67 e uma precisão média de 0,89. O Coeficiente de Correlação de Matthews (MCC) foi moderadamente positivo (média 0,22).
  • Assinaturas de Células T: Modelos SVM mostraram promessa para categorias relacionadas a células T (por exemplo, CD4, CD8, células T totais) em conjuntos de retenção específicos, alcançando alta acurácia balanceada em alguns casos (até 1,00), mas esses resultados foram menos estáveis em todos os três experimentos comparados ao modelo M0.
  • Outras Categorias: Muitas outras categorias imunes (por exemplo, Tregs, macrófagos M1/M2) resultaram em métricas "não avaliáveis" ou instáveis devido ao desequilíbrio extremo de classes nos conjuntos de teste de retenção binarizados, onde uma classe era representada por um único caso ou estava totalmente ausente.
• Explicabilidade: A análise SHAP (Shapley Additive exPlanations) para o modelo M0 indicou que as previsões foram impulsionadas por características de textura de ordem superior (GLCM, GLSZM, GLDM) refletindo heterogeneidade espacial e organização estrutural, em vez de características dominantes únicas.
• Correlação Prognóstica: Pacientes previstos como tendo uma assinatura M0 "alta" demonstraram sobrevida global significativamente mais longa em comparação com aqueles com assinatura "baixa" (log-rank p = 0,04).

Principais Contribuições

1. Curadoria de Conjunto de Dados: O estudo criou e harmonizou o maior conjunto de dados radiogenômico aberto para glioblastoma IDH-wt, integrando dados de MRI e transcriptômicos pareados de cinco grandes repositórios.
2. Estrutura Metodológica: Os autores desenvolveram um pipeline rigoroso para análise radiogenômica que inclui geração de imagens sintéticas para sequências ausentes, correção de lote para dados de imagem e genômicos, e uma estratégia robusta de validação entre coortes usando três conjuntos de retenção externos independentes.
3. Identificação de Biomarcadores: O estudo identificou a assinatura imune de macrófago M0 como o único recurso relacionado à imunidade previsível de forma confiável a partir de MRI pré-operatório usando o pipeline desenvolvido.
4. Validação Analítica: Diferentemente de estudos anteriores que frequentemente dependem de validação cruzada interna, este estudo forneceu validação analítica através de três coortes externas distintas, demonstrando a estabilidade do modelo preditivo M0.

Significado e Alegações
Os autores afirmam que o estudo PRECISE-GBM desenvolveu e validou analiticamente com sucesso um pipeline não invasivo baseado em MRI para investigar a imunobiologia do glioblastoma, especificamente para o subtipo de macrófago M0. O significado deste trabalho reside em seu potencial para estratificar pacientes para ensaios de imunoterapia antes da biópsia, abordando a necessidade de enriquecimento de ensaios em uma doença com alta heterogeneidade. Os autores posicionam esses biomarcadores como uma ferramenta complementar à análise baseada em tecido, particularmente para pacientes inoperáveis ou lesões profundas.

O artigo enquadra modestamente essas descobertas como uma "prova de conceito" e um "caminho plausível" para futura aplicação clínica. Afirma explicitamente que os modelos requerem validação clínica prospectiva em "modo sombra" dentro de ensaios de imunoterapia neo-adjuvantes antes da implementação clínica. O estudo enfatiza que, embora a assinatura M0 tenha mostrado estabilidade, a aplicação mais ampla para outros tipos de células imunes foi limitada pela distribuição de dados e desequilíbrio de classes, necessitando de conjuntos de dados maiores e mais equilibrados para refinamento futuro. A arquitetura do pipeline e os métodos de avaliação são apresentados como um modelo para futuros estudos radiogenômicos.