Fusing Data from CT Deep Learning, CT Radiomics and Peripheral Blood Immune profiles to Diagnose Lung Cancer in a Cohort of Patients Experiencing Symptoms

Resumo Técnico: Fusão de Aprendizado Profundo de CT, Radiômica de CT e Perfis Imunológicos de Sangue Periférico para o Diagnóstico de Câncer de Pulmão

Definição do Problema
O câncer de pulmão continua sendo a principal causa de mortes relacionadas ao câncer globalmente, principalmente devido ao diagnóstico em estágio tardio. Os métodos de rastreamento atuais, como a tomografia computadorizada de baixa dose (TCBD), são limitados por altas taxas de falsos positivos, exclusão de não fumantes e populações mais jovens, além de uma carga de trabalho significativa dos radiologistas, o que leva a atrasos nos exames. Além disso, as abordagens existentes de biópsia líquida baseadas em DNA tumoral circulante (ctDNA) mostraram baixa sensibilidade para o câncer de pulmão em estágio inicial (Estágio I) em contextos sintomáticos. Há uma necessidade crítica de uma ferramenta diagnóstica minimamente invasiva e robusta que possa melhorar a sensibilidade e a especificidade para pacientes que apresentam sintomas, potencialmente reduzindo a dependência da interpretação radiológica manual e detectando malignidades mais cedo do que o desprendimento de ácidos nucleicos permite.

Metodologia
O estudo, intitulado "LungExoDETECT", foi um estudo de coorte prospectivo conduzido entre outubro de 2020 e novembro de 2021, envolvendo 344 pacientes encaminhados a clínicas de pulmão no Reino Unido com sintomas suspeitos de câncer de pulmão.

• Aquisição de Dados:
  • Imagem: Os pacientes foram submetidos a exames de TC padrão. As lesões foram analisadas usando duas abordagens computacionais distintas:
    1. Análise de Textura de CT (CTTA): Extração de 42 características baseadas em métodos de histograma-filtração (usando o software TexRAD).
    2. Autoencoders de Aprendizado Profundo (DLA): Utilização de um modelo de aprendizado profundo para gerar 32 vetores de características latentes representando características da lesão (ex: tamanho, morfologia, adesão pleural).
  • Análise de Sangue: Amostras de sangue periférico foram coletadas e analisadas via:
    1. Citometria de Fluxo de Alta Profundidade: Perfil de 45 subconjuntos de células imunes.
    2. Dot-blot de Proteínas de Exossomos: Análise de 68 componentes proteicos de exossomos.
• Construção do Modelo:
  • Dos 344 pacientes iniciais, 174 foram excluídos (lesões <6mm, ausência de lesão visível ou diagnóstico de não-câncer), restando 170 pacientes (79 com câncer de pulmão, 91 sem câncer) para análise.
  • A coorte foi dividida em um conjunto de treinamento (75%) e um conjunto de teste mantido à parte (25%). Esta divisão foi repetida 8 vezes via bootstrapping para garantir a robustez.
  • A Regressão Multivariada Bayesiana (BMR) foi empregada para a geração da assinatura. Diferente de métodos regularizados (ex: LASSO/Elastic Net), que podem sofrer overfitting, a BMR foi escolhida por sua capacidade de realizar a seleção automática de covariáveis e fornecer pesos interpretáveis, minimizando o overfitting.
  • Estratégias de Fusão: O estudo avaliou três níveis de fusão de dados:
    1. Fusão Precoce (Early Fusion): Combinando covariáveis brutas de todas as modalidades.
    2. Fusão Intermediária (Intermediate Fusion): Combinando características selecionadas de assinaturas individuais.
    3. Fusão Tardia (Late Fusion): Combinando os escores de risco de assinaturas individuais.

Principais Contribuições

1. Integração de Novos Biomarcadores: O estudo propõe uma assinatura diagnóstica que funde a análise de imagem de CT automatizada (tanto radiômica quanto aprendizado profundo) com o perfil imunológico periférico, focando especificamente na resposta imune em vez do desprendimento de ácidos nucleicos.
2. Identificação de Assinaturas Imunes Específicas: A análise identificou dois preditores imunes robustos:
   • Upregulação de linfócitos T CD8+ KIR3DL1+: Associada à presença de câncer de pulmão. Estas células exibiram um estado funcional exausto (baixa expressão de CD107a).
   • Downregulation de Células Dendríticas do Tipo 2 (cDC2): Associada a patologias não cancerosas (frequentemente infecção ou reações alérgicas).
3. Interpretabilidade: O uso de regressão bayesiana permitiu um modelo de "caixa branca", onde componentes biológicos específicos (como subconjuntos de células imunes e escalas de textura de CT) que contribuem para a predição foram explicitamente identificados e ponderados.
4. Validação em Coorte Sintomática: O modelo foi validado especificamente em pacientes que já apresentavam sintomas, um cenário onde a detecção precoce é mais desafiadora e clinicamente urgente.

Resultos

• Desempenho de Modalidade Única:
  • DLA (Aprendizado Profundo): Alcançou o maior AUC de modalidade única (0,73), superando a CTTA (0,70) e a assinatura imune (0,69).
  • Assinatura Imune: Desempenhou significativamente melhor que a assinatura de proteína de exossomo, que foi inconsistente e não utilizada no modelo combinado final.
• Desempenho Combinado:
  • A assinatura combinada final, fundindo dados imunes com dados de CT (especificamente os modelos DLA e CTTA), alcançou um ROC AUC de 0,81.
  • Sensibilidade: 0,72 (72%) geral. A sensibilidade manteve-se alta (76–78%) na maioria dos estágios, com uma queda observada no Estágio II (atribuída ao pequeno tamanho da amostra neste subgrupo).
  • Especificidade: 0,77 (77%), o que é notável dado que a coorte consistia de pacientes com sintomas avançados e patologias não cancerosas.
• Detecção de Não-Câncer de Pulmão: Quando aplicado a 11 pacientes com outros cânceres (usando apenas a assinatura imune, já que a CT era irrelevante), o modelo detectou 9/11 casos (82% de sensibilidade), perdendo apenas dois casos de câncer de mama.
• Seleção de Características: O modelo final selecionou consistentemente covariáveis específicas através das 8 execuções de bootstrap, incluindo marcadores imunes (KIR3DL1+ CD8 e cDC2) e características específicas de CT (Intensidade média em SSF=0 e intensidade média de pixels positivos em SSF=3).

Significância e Alegações
O artigo afirma que combinar o monitoramento imune com a análise automatizada de tomografia computadorizada oferece uma via viável para melhorar a sensibilidade e a especificidade do rastreamento do câncer de pulmão, mesmo em pacientes sintomáticos. Os autores enfatizam que:

• Resposta Imune como Marcador Precoce: A detecção baseada em células imunes pode ocorrer em um ponto temporal mais precoce do que o desprendimento de ácidos nucleicos (ctDNA), potencialmente abordando a baixa sensibilidade das atuais biópsias líquidas para doenças em estágio inicial.
• Redução da Carga do Radiologista: Ao utilizar análise de imagem e radiômica via aprendizado profundo automatizado, a abordagem visa aliviar o fardo dos radiologistas, que é um gargalo conhecido nas vias de rastreamento atuais.
• Utilidade Clínica: O modelo matemático resultante é altamente interpretável, apontando componentes biológicos específicos que impulsionam a predição. Os autores observam que, embora o AUC de 0,81 esteja dentro do âmbito da utilidade clínica, o modelo foi desenvolvido para pacientes sintomáticos e validação adicional em coortes independentes e diferentes populações de rastreamento é necessária.
• Robustez Metodológica: O estudo destaca a vantagem da regressão bayesiana sobre o Elastic Net neste contexto, citando sua capacidade superior de evitar o overfitting e selecionar o número ideal de covariáveis com base em evidências, em vez de apenas regularização.

Os autores concluem que esta abordagem multimodal reforça o valor do perfil da resposta imune sistêmica como uma ferramenta complementar à imagem para a detecção precoce do câncer de pulmão.