Clinical Text Mining with BERT for Lung Cancer Prognosis: A Comparative Survival Analysis

Resumo Técnico: Mineração de Texto Clínico com BERT para Prognóstico de Câncer de Pulmão

Definição do Problema
O câncer de pulmão continua sendo uma das principais causas de mortalidade, necessitando de ferramentas computacionais que possam integrar fontes de dados heterogêneas — especificamente variáveis clínicas estruturadas (demografia, exames laboratoriais, histórico de tratamento) e notas clínicas de texto livre não estruturadas — para melhorar o prognóstico e a tomada de decisão terapêutica. Embora métodos estatísticos clássicos como a regressão de riscos proporcionais de Cox ofereçam interpretabilidade, e modelos de aprendizado profundo como o DeepHit prometam a capacidade de capturar interações não lineares, há uma carência de pipelines de referência que comparem sistematicamente essas abordagens em coortes clínicas de tamanho modesto enquanto integram Processamento de Linguagem Natural (PLN) baseado em Transformers. Além disso, os modelos de sobrevivência existentes são frequentemente confinados a cadernos de pesquisa (notebooks), em vez de serem expostos através de interfaces clínicas utilizáveis.

Metodologia
O estudo empregou um design quantitativo e retrospectivo utilizando um subconjunto curado de 500 registros de pacientes extraídos de um conjunto de dados sintético maior de 23.657 casos (dataset Kaggle "Lung Cancer Prediction"). A metodologia seguiu um pipeline de quatro etapas:

1. Pré-processamento de Dados e Engenharia de Atributos:

   • Dados estruturados (demografia, sinais vitais, exames, tratamento) foram imputados (mediana/moda), normalizados (StandardScaler) e codificados via one-hot encoding.
   • Notas clínicas não estruturadas foram tokenizadas, limpas e incorporadas (embedded) usando um modelo BERT pré-treinado para gerar vetores contextuais de comprimento fixo.
   • O GPT-2 foi utilizado separadamente no tempo de inferência para gerar resumos narrativos legíveis por humanos sobre as saídas do modelo, não como um atributo de entrada.
   • A matriz de atributos final concatenou as variáveis estruturadas com os embeddings derivados do BERT.

2. Análise de Sobrevivência e Modelagem:
   Três abordagens distintas de modelagem foram treinadas e avaliadas no mesmo conjunto de dados:

   • Estimador de Kaplan–Meier: Utilizado para estimativa não paramétrica de curvas de sobrevivência e testes de log-rank de grupos de tratamento.
   • Regressão de Riscos Proporcionais de Cox: Ajustada sobre covariáveis estruturadas para estimar razões de risco (HR) e fornecer coeficientes interpretáveis.
   • Regressor Random Forest: Treinado no conjunto combinado de atributos estruturados e de texto do BERT para prever alvos contínuos de risco/sobrevivência. A importância dos atributos foi extraída para identificar sinais preditivos.
   • DeepHit (DeepHitSingle): Um modelo de sobrevivência neural de tempo discreto treinado no mesmo conjunto de atributos combinados para capturar riscos não proporcionais, utilizando parada precoce (early stopping) para mitigar o overfitting.

3. Arquitetura do Sistema:
   Um sistema híbrido foi desenvolvido onde o pipeline analítico (baseado em Python) se comunica via JSON com uma interface de desktop Windows Presentation Foundation (WPF) (C#). Esta GUI permitiu que usuários não técnicos fizessem o upload de dados, visualizassem curvas de Kaplan–Meier, visualizassem escores de risco, inspecionassem a importância dos atributos e recebessem recomendações de tratamento com narrativas geradas pelo GPT-2.

4. Avaliação:
   O desempenho foi avaliado por meio de métricas específicas de sobrevivência: o Índice de Concordância (C-index) para precisão de ranking e o Brier Score Integrado. O modelo Random Forest foi adicionalmente avaliado usando Erro Quadrático Médio (MSE) e $R^2$. A robustez foi testada via validação cruzada k-fold.

Principais Resultados

• Tendências de Sobrevivência: A análise de Kaplan–Meier mostrou probabilidades de sobrevivência de 12 meses variando de 91,8% (Cirurgia) a 94,9% (Terapia Alvo), mas o teste de log-rank indicou que não houve diferenças estatisticamente significativas entre os grupos de tratamento ($p = 0,774$), atribuído ao tamanho limitado da amostra.
• Regressão de Cox: Alcançou um C-index de 0,566. Identificou a localização do tumor (Lobo Superior, HR=1,25) e o estágio da doença como preditores significativos. Notavelmente, o Estágio III e IV mostraram redução de risco em relação ao Estágio I neste coorte específico, um achado que os autores atribuem às características do dataset, e não à realidade clínica.
• Random Forest: Alcançou a melhor precisão preditiva com um MSE de 1226,97. Crucialmente, a análise de importância de atributos revelou que os atributos de texto derivados do BERT (ex: BERT_597, BERT_571) estavam entre os principais preditores, muitas vezes superando variáveis demográficas ou laboratoriais estruturadas. Isso confirma que as notas de texto livre carregam sinais prognósticos latentes.
• DeepHit: Teve um desempenho significativamente inferior, com um C-index de 0,485, pior do que tanto o modelo Cox quanto o Random Forest. Os autores atribuem isso à natureza faminta por dados do modelo e ao tamanho modesto da coorte de 500 registros.
• Saída da Interface: A GUI gerou com sucesso escores de risco específicos para o paciente e recomendações de tratamento (ex: recomendando Cirurgia para um caso de teste com ~82% de confiança). No entanto, os autores observaram que os escores de confiança eram uniformemente altos entre as opções, indicando um problema de calibração de probabilidade que requer correção antes da implantação clínica.

Principais Contribuições

1. Pipeline Integrado: O estudo apresenta um pipeline completo que funde embeddings do BERT de notas clínicas não estruturadas com variáveis estruturadas para análise de sobrevivência, uma combinação raramente comparada em um único estudo para câncer de pulmão.
2. Benchmarking Comparativo: Fornece uma comparação empírica de regressão clássica, métodos de ensemble e aprendizado profundo em um dataset de tamanho modesto, demonstrando que métodos clássicos (Cox) e métodos de ensemble (Random Forest) podem superar o aprendizado profundo (DeepHit) quando o volume de dados é limitado.
3. Usabilidade Clínica: O desenvolvimento de uma interface desktop baseada em WPF preenche a lacavra entre modelos de pesquisa e a prática clínica, expondo previsões de sobrevivência complexas e importâncias de atributos a usuários não técnicos.
4. Validação de Atributos de Texto: O trabalho valida empiricamente que os atributos de texto baseados em Transformers adicionam valor prognóstico significativo além dos campos estruturados, com dimensões específicas do BERT classificando-se como principais preditores.

Significância e Alegações
O artigo alega que seus achados oferecem um guia pragmático para profissionais decidirem qual classe de modelo implantar em datasets clínicos de tamanho modesto. Argumenta-se que a regressão clássica permanece robusta e interpretável para coortes menores, enquanto métodos de ensemble beneficiam-se significativamente de atributos de texto para aumentar a precisão preditiva. Por outro lado, modelos de aprendizado profundo como o DeepHit exigem conjuntos de dados maiores para realizar seu potencial e podem ter um desempenho inferior em dados limitados.

O estudo enfatiza o potencial translacional de integrar PLN baseado em Transformers com modelagem de sobrevivência, mas mantém uma postura modesta quanto à implantação clínica. Ele reconhece explicitamente limitações, incluindo o tamanho reduzido da amostra, o uso de dados sintéticos, a ausência de modalidades genômicas ou de imagem, e a necessidade de calibração de probabilidade e estudos formais de usabilidade com clínicos antes que o sistema possa ser usado para decisões reais de tratamento. A principal contribuição é a demonstração de um fluxo de trabalho funcional e integrado que destaca as condições específicas sob as quais diferentes estratégias de modelagem têm sucesso ou falham.