Prediction of HER2 FISH result from registered H&E and IHC slides in breast cancer
Este estudo demonstra que um modelo de aprendizado profundo multimodal treinado em lâminas pareadas registradas de H&E e IHC pode prever com precisão os resultados de FISH para HER2, potencialmente eliminando a necessidade de testes de FISH dispendiosos em aproximadamente um terço dos casos equívocos de câncer de mama.
Artigo original sob licença CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
O câncer de mama não é uma doença única, mas sim uma coleção de diferentes condições, cada uma impulsionada por sinais moleculares únicos que ditam como o tumor cresce e como deve ser tratado. Um dos sinais mais críticos a serem identificados é uma proteína chamada HER2. Quando esta proteína está presente em grandes quantidades, ela atua como um acelerador para o câncer, fazendo com que ele cresça rapidamente. Felizmente, os médicos desenvolveram terapias direcionadas que podem desligar esse acelerador, mas esses tratamentos só funcionam se o câncer do paciente realmente possuir o sinal HER2. Para descobrir, os patologistas examinam amostras de tecido sob um microscópio. Eles primeiro observam uma lâmina corada padrão, que mostra a forma geral das células, e depois costumam usar um corante químico especial para destacar a própria proteína HER2. Se os níveis da proteína forem claramente altos ou claramente baixos, o diagnóstico é direto. No entanto, cerca de um em cada sete pacientes cai em uma área cinzenta onde os níveis da proteína são ambíguos. Para esses pacientes, o padrão de atendimento exige um terceiro teste, mais complexo, que utiliza a luz para contar os genes reais dentro das células. Este teste adicional é caro, demorado e não está disponível para todos, particularmente em regiões com menos recursos médicos.
Uma equipe de pesquisadores de Israel, Portugal e Estados Unidos explorou uma maneira de contornar este terceiro passo difícil para muitos pacientes. Eles questionaram se um computador, treinado em milhares de imagens de microscopia, poderia olhar para a lâmina de tecido padrão e para o corante de proteína especial juntos para prever o resultado do teste de genes complexo. Para fazer isso, eles primeiro tiveram que resolver um quebra-cabeça físico: as duas lâminas vêm do mesmo pedaço de tecido, mas são cortadas em momentos diferentes e coradas de forma distinta, o que significa que não se alinham perfeitamente. Os pesquisadores desenvolveram um método para alinhar digitalmente essas duas imagens, combinando os padrões específicos de células em uma lâmina com os padrões correspondentes na outra. Em seguida, alimentaram esses pares alinhados em um sistema de aprendizado profundo (deep learning), um tipo de inteligência artificial que aprende analisando vastas quantidades de dados visuais. O sistema foi treinado para reconhecer as sutis pistas visuais no tecido que indicam se as células cancerígenas provavelmente possuem a amplificação gênica que o teste complexo costuma detectar.
O estudo, que analisou dados de quase 1.500 pacientes, descobriu que essa abordagem combinada funciona com uma precisão notável. Quando os pesquisadores testaram o sistema em casos onde o corante de proteína inicial era ambíguo, o modelo de computador foi capaz de prever o resultado do teste de genes com um alto grau de certeza. Em aproximadamente um terço desses casos difíceis, o modelo estava tão confiante em sua previsão que poderia efetivamente descartar a necessidade do teste de genes caro. Para cerca de oito por cento desses casos ambíguos, o modelo estava certo de que o câncer era positivo para o gene e, para outros vinte e um por cento, estava certo de que o câncer era negativo. Nesses grupos específicos, as previsões do modelo foram tão confiáveis que corresponderam perfeitamente ao teste padrão de ouro na validação do estudo. Isso sugere que, para uma parte significativa dos pacientes, o complexo teste de genes poderia ser pulado sem comprometer a precisão do diagnóstico.
Os pesquisadores também compararam seu novo método com o uso apenas do corante de proteína ou apenas da lâmina de tecido padrão. Eles descobriram que, embora o corante de proteína sozinho fosse bom, adicionar a lâmina de tecido padrão melhorou significativamente os resultados. A lâmina padrão forneceu contexto, ajudando o computador a focar especificamente nas áreas cancerosas e ignorar o tecido saudável circundante, o que levou a melhores previsões. O estudo sugere que esta tecnologia pode ser uma ferramenta poderosa de triagem, ajudando os médicos a decidir quais pacientes realmente precisam do teste de genes caro e quais podem ser tratados com base apenas nas imagens mais simples. Isso poderia ser especialmente valioso em países onde o teste complexo é difícil de obter, potencialmente permitindo que mais pacientes recebam o tratamento correto para salvar vidas mais cedo.
No entanto, os autores advertem cuidadosamente que isto não é um substituto para o teste de genes em todas as situações. O modelo ainda comete erros em um pequeno número de casos, e não foi projetado para detectar níveis muito baixos de proteína que estão se tornando relevantes para novos tratamentos. O estudo foi conduzido em um conjunto específico de dados, e os pesquisadores reconhecem que o sistema precisa ser testado em outros hospitais e com diferentes grupos de pacientes antes de poder ser amplamente adotado. Eles também apontam que seu método atualmente requer que um humano marque alguns pontos nas lâminas para ajudar o computador a alinhá-las, um passo que está sendo refinado para se tornar totalmente automático. Apesar dessas limitações, o trabalho demonstra que combinar dois tipos comuns de imagens de microscopia com inteligência artificial pode extrair informações que anteriormente se pensava exigir um procedimento muito mais complexo e dispendioso.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.