A spatial AI-based biomarker with independent prognostic value in early low- and intermediate- risk breast cancer

O câncer de mama é uma doença na qual as próprias células do corpo começam a crescer de forma descontrolada e, para muitas mulheres, o tipo mais comum envolve células que são impulsionadas pelo estrogênio, mas não reagem a uma proteína chamada HER2. Os médicos sabem há muito tempo que alguns desses cânceres são de crescimento muito lento e improváveis de retornar após a cirurgia, enquanto outros são mais agressivos. Para decidir quem precisa de tratamento adicional, como quimioterapia, os patologistas examinam amostras de tecido sob um microscópio. Eles atribuem um grau ao tumor com base no quão anormais as células parecem; um grau baixo geralmente significa um melhor prognóstico, enquanto um grau alto sugere um risco maior. No entanto, esse sistema não é perfeito. Muitas pacientes com tumores que parecem apenas moderadamente anormais ainda enfrentam o risco de o câncer retornar anos depois, enquanto outras com tumores de aparência semelhante permanecem completamente saudáveis. O desafio é encontrar uma maneira de distinguir entre esses dois grupos sem depender de testes genéticos caros ou de suposições.

Uma equipe de pesquisadores na Suécia desenvolveu uma nova maneira de observar essas amostras de tecido usando inteligência artificial. Em vez de apenas dar ao tumor inteiro uma pontuação média única, o método deles presta atenção especial a onde padrões específicos aparecem na lâmina. Eles descobriram que a localização de células de alto risco importa tanto quanto a quantidade delas. Especificamente, descobriram que quando aglomerados de células de alto risco se reúnem na própria borda do tumor, onde ele encontra o tecido saudável, o risco de o câncer retornar é significativamente maior. Essa descoberta oferece uma nova ferramenta para identificar quais pacientes realmente precisam de tratamento mais agressivo e quais podem evitar isso com segurança, tudo isso usando as lâminas de microscópio padrão que os hospitais já possuem.

Os pesquisadores começaram com uma ideia simples: que a maneira como um tumor é organizado no espaço guarda segredos que uma pontuação média simples deixa passar. Imagine um tumor não como uma massa uniforme, mas como uma paisagem com diferentes bairros. Algumas partes podem parecer calmas e ordenadas, enquanto outras podem ser caóticas e agressivas. Durante anos, os modelos de inteligência artificial usados para analisar essas lâminas foram treinados para olhar para a imagem inteira e produzir um único número representando o risco geral. Embora esses modelos sejam poderosos, eles costumam suavizar os detalhes, misturando as bordas caóticas com os centros calmos em uma pontuação única e diluída. A equipe por trás deste estudo, trabalhando com dados de milhares de pacientes em toda a Suécia, hipotetizou que, se pudessem mapear exatamente onde as partes perigosas estavam localizadas, poderiam encontrar um sinal mais claro. Eles focaram sua atenção na "frente invasiva", o limite externo do tumor onde as células cancerosas interagem com e pressionam o tecido saudável circundante. Esta é uma zona biologicamente ativa onde as células frequentemente mudam de forma para se tornarem mais móveis e invasivas.

Para testar isso, os cientistas utilizaram um conjunto massivo de dados de amostras de tecido de mais de 6.000 mulheres com câncer de mama em estágio inicial. Eles dividiram essas pacientes em dois grupos: um grupo para treinar seus modelos computacionais e outro grupo completamente separado para testar os resultados, garantindo que as descobertas não fossem apenas um palpite de sorte. Eles usaram um sistema de IA sofisticado para dividir cada lâmina de microscópio em milhares de pequenos quadrados, ou azulejos (tiles), e analisaram a forma e a estrutura das células em cada um deles. A IA foi treinada para reconhecer padrões que se parecem com câncer de alto grau e agressivo. Uma vez que a IA tivesse pontuado cada um dos azulejos, os pesquisadores fizeram algo diferente de estudos anteriores. Em vez de apenas contar quantos azulejos de alto risco existiam, eles procuraram por aglomerados. Eles fizeram uma pergunta específica: existem grupos desses azulejos de alto risco sentados logo ao lado uns dos outros, bem na borda do tumor? Eles definiram um "aglomerado" como um grupo onde pelo menos dois terços dos vizinhos também eram de alto risco. Se tal aglomerado existisse na frente do tumor, a paciente era marcada como "aglomerado-positiva".

Os resultados foram impressionantes. No grupo de pacientes com tumores que eram geralmente considerados de risco baixo a intermediário, a presença desses aglomerados na borda do tumor mudou completamente o prognóstico. Entre as pacientes que apresentavam esses aglomerados, o risco de o câncer retornar em dez anos era significativamente maior. De fato, os dados mostraram que as pacientes com esses aglomerados tiveram uma taxa de sobrevivência de dez anos sem recorrência de cerca de 90%, o que é inferior à taxa de 92,6% observada no grupo de referência de Grau 3. Por outro lado, as pacientes que não tinham esses aglomerados na borda do tumor tiveram um excelente prognóstico, com uma taxa de sobrevivência de dez anos superior a 95%. Este grupo de pacientes "aglomerado-negativo" teve um desempenho tão bom quanto aquelas com os tumores de grau mais baixo, sugerindo que poderiam ser tratadas com terapia menos agressiva.

Crucialmente, este novo marcador forneceu informações que a pontuação de IA padrão não conseguia ver por conta própria. Os pesquisadores descobriram que, mesmo entre pacientes cujos tumores foram classificados como de baixo risco pela pontuação geral da IA, aquelas que possuíam esses aglomerados específicos na borda ainda enfrentavam um risco muito maior de recorrência. Isso significa que o arranjo espacial das células estava revelando um perigo oculto que uma pontuação média simples havia deixado passar. O estudo confirmou essas descobertas em um grupo independente de pacientes de uma região diferente da Suécia, provando que o resultado não era específico de um hospital ou de um conjunto de lâminas. A presença desses aglomerados foi associada a um aumento de quase três vezes no risco de recorrência, um sinal forte que se manteve verdadeiro mesmo quando os pesquisadores levaram em conta outros fatores, como a idade da paciente ou o tamanho do tumor.

Este trabalho sugere que o futuro da avaliação de risco do câncer pode residir em olhar para o mapa de um tumor, não apenas para sua pontuação média. Ao preservar a informação espacial de onde as células de alto risco estão localizadas, os médicos podem ser capazes de identificar as pacientes que estão realmente em risco, mesmo que seu tumor pareça majoritariamente inofensivo. Para as pacientes que não possuem esses aglomerados, a notícia é igualmente importante: oferece evidências sólidas de que elas pertencem a um grupo de baixíssimo risco, potencialmente poupando-as de tratamentos desnecessários. O estudo não afirma ter resolvido o problema do câncer de mama, mas fornece um método claro e concreto para refinar como os médicos entendem o risco. Ele mostra que, na paisagem complexa de um tumor, a localização do perigo é tão importante quanto o próprio perigo.