CT-Based Radiomic Models for Stage Stratification and Relapse Prediction in Colon Cancer

O câncer de cólon é uma doença em que a capacidade do corpo de prever o futuro é frequentemente tão incerta quanto o próprio caminho da enfermidade. Atualmente, os médicos dependem de um sistema chamado estadiamento para supor como um tumor se comportará. Este sistema classifica o câncer em grupos baseados na profundidade do crescimento do tumor e se ele se espalhou para os linfonodos próximos. Embora este método seja o padrão para decidir o tratamento, ele não é perfeito. Dois pacientes com o mesmo estágio podem ter resultados muito diferentes; um pode ser curado apenas com cirurgia, enquanto o outro pode ver o câncer retornar em cinco anos. Essa incerteza deixa os médicos lutando para escolher o tratamento correto antes mesmo de o paciente passar por uma operação. O objetivo da medicina moderna é encontrar uma maneira de enxergar dentro da biologia do tumor sem cortá-lo, utilizando as imagens já tiradas para planejar a cirurgia.

Uma equipe de pesquisadores na Espanha deu um passo em direção a esse objetivo ao ensinar computadores a ler os detalhes ocultos em tomografias computadorizadas (TC) padrão. Essas tomografias são as imagens de raio-X tridimensionais que os médicos realizam antes da cirurgia para verificar a disseminação. Os pesquisadores focaram em um campo chamado radiômica, que trata as imagens médicas não apenas como fotos para o olho humano, mas como vastas bibliotecas de dados. Enquanto um médico observa uma tomografia para ver a forma e o tamanho de um tumor, um computador pode medir milhares de pequenos padrões nos tons de cinza e texturas que são invisíveis a olho nu. Esses padrões podem refletir como as células dentro do tumor estão organizadas ou quão agressivas elas são. Ao analisar essas texturas sutis, os pesquisadores esperavam construir uma ferramenta que pudesse distinguir dois estágios específicos do câncer de cólon e prever quais pacientes teriam maior probabilidade de ver sua doença retornar.

O estudo envolveu 104 pacientes que haviam sido diagnosticados com câncer de cólon e foram submetidos a uma tomografia computadorizada antes da cirurgia. Os pesquisadores trabalharam com um grupo específico de pacientes, excluindo aqueles com condições genéticas raras ou outros tipos de câncer, para garantir que os dados fossem limpos e focados. Eles pegaram as imagens de TC e traçaram manualmente o contorno do tumor primário em três dimensões, criando um mapa digital preciso do volume do câncer. A partir desse mapa, o computador extraiu 105 medições diferentes. Essas medições descreviam a forma do tumor, a distribuição do brilho dentro dele e a textura complexa de sua superfície. A equipe então combinou essas medições de imagem com informações básicas do paciente, como idade e sexo, para construir um conjunto de modelos matemáticos.

Para testar se esses modelos funcionavam, os pesquisadores dividiram seu grupo de pacientes em dois conjuntos. Eles usaram o grupo maior para ensinar o computador a reconhecer padrões e guardaram o grupo menor para servir como um exame final. O computador aprendeu a procurar combinações específicas das 105 medições que estavam ligadas ao desfecho. A primeira tarefa foi verificar se o modelo conseguia distinguir entre o câncer estágio II e estágio III. Essa distinção é crítica porque os pacientes em estágio III geralmente recebem quimioterapia após a cirurgia, enquanto os pacientes em estágio II muitas vezes não recebem, embora alguns pacientes em estágio II ainda apresentem recidiva. O modelo aprendeu a identificar esses estágios baseando-se apenas nas imagens pré-operatórias. No teste final, o modelo distinguiu corretamente os dois estágios cerca de 76 por cento das vezes. Ele foi particularmente bom em identificar casos de estágio II, identificando-os corretamente quase 89 por cento das vezes.

A segunda tarefa, e talvez a mais significativa, era prever se um paciente teria uma recidiva dentro de cinco anos. Esta é uma previsão muito mais difícil, pois envolve adivinhar o comportamento futuro da doença. Os pesquisadores testaram vários métodos diferentes de aprendizado de máquina para encontrar o melhor. Eles descobriram que um tipo específico de modelo, que buscava relações entre muitas variáveis diferentes ao mesmo tempo, teve o melhor desempenho. Este modelo alcançou um alto nível de precisão, prevendo corretamente o risco de recidiva em 91 por cento dos casos no grupo de teste. Foi especialmente sensível, o que significa que raramente perdeu um paciente que eventualmente teria uma recorrência, capturando 9 5 por cento desses casos. O estudo também observou os pacientes dentro de cada estágio separadamente. Mesmo olhando apenas para pacientes de estágio II ou apenas para pacientes de estágio III, o modelo manteve um forte poder preditivo, sugerindo que a textura do tumor na tomografia carrega informações sobre o risco, independentemente do estágio oficial.

As descobertas sugerem que a textura visual de um tumor em uma tomografia computadorizada contém pistas sobre seu comportamento biológico que os métodos de estadiamento atuais não captam. Os pesquisadores observaram que tumores com padrões mais uniformes e homogênios na tomografia tendiam a pertencer a pacientes que não tiveram recidiva, enquanto aqueles com texturas mais caóticas e heterogêneas estavam ligados a um maior risco de retorno da doença. Isso corrobora a ideia de que uma textura desordenada e irregular em uma imagem pode refletir uma biologia tumoral mais agressiva e desorganizada. O estudo não provou que esses padrões causam o comportamento do câncer, mas mostrou uma forte ligação entre os dados da imagem e o desfecho do paciente. A equipe observou que seu trabalho foi limitado pelo fato de ter sido realizado em um único hospital com um número relativamente pequeno de pacientes, e que os modelos computacionais foram treinados e testados com dados dessa mesma instituição. Eles reconheceram que esses modelos precisam ser testados em grupos maiores de pessoas de diferentes hospitais para confirmar se funcionam no mundo real.

Esta pesquisa oferece uma nova maneira potencial de observar o câncer de cólon antes do início do tratamento. Em vez de esperar que a cirurgia revele a natureza total do tumor, os médicos poderão, um dia, usar essas ferramentas baseadas em imagens para obter uma visão mais clara do risco que um paciente enfrenta. Se esses modelos forem validados em estudos futuros, eles poderão ajudar os médicos a decidir quem precisa de quimioterapia e quem pode estar seguro sem ela, reduzindo tratamentos desnecessários para alguns, enquanto garante que outros recebam o cuidado necessário. O trabalho não substitui o sistema de estadiamento atual, mas sugere que ele pode ser aprimorado pela adição desses detalhes quantitativos das tomografias. Por enquanto, os resultados permanecem como um passo promissor em direção a uma abordagem mais personalizada para o tratamento do câncer de cólon, transformando uma imagem pré-operatória de rotina em uma fonte de profundo insight preditivo.