Application of H&E images combined with gene expression data-driven multimodal deep learning models in gastric cancer prognosis

O câncer gástrico, frequentemente chamado de câncer de estômago, continua sendo um dos desafios de saúde mais formidáveis em todo o mundo, ceifando centenas de milhares de vidas a cada ano. Por décadas, os médicos têm confiado em um sistema chamado estadiamento TNM para prever como um paciente irá progredir. Este sistema funciona como um mapa, traçando o tamanho de um tumor e o quão longe ele se espalhou para linfonodos próximos ou órgãos distantes. Embora este mapa seja essencial, ele também é incompleto. Ele descreve a extensão física da doença, mas muitas vezes ignora a personalidade biológica única do próprio câncer. Dois pacientes com tumores de mesmo tamanho e localização podem ter resultados vastamente diferentes porque seus cânceres se comportam de maneira distinta em nível microscópico. Para preencher essa lacuna, cientistas estão recorrendo a duas fontes poderosas de informação que tradicionalmente foram mantidas separadas: os padrões visuais vistos sob um microscópio e as instruções moleculares escritas dentro das células. Uma fonte é a lâmina H&E, uma lâmina de vidro padrão onde uma fina fatia de tecido é corada com corantes rosa e roxo para revelar a forma e o arranjo das células. A outra é o dado de expressão gênica, uma leitura digital de quais genes estão ativos dentro do tumor, atuando como uma impressão digital molecular. O desafio tem sido combinar esses dois tipos de informação muito diferentes — imagens e números — em uma imagem única e coerente que possa dizer a um médico exatamente o quão perigoso é provável que o câncer de um paciente específico seja.

Em um estudo recente, pesquisadores do Hospital Afiliado da Universidade de Qinghai enfrentaram esse desafio construindo um novo tipo de modelo computacional projetado para aprender com os mundos visual e molecular simultaneamente. Eles chamaram sua criação de PGC-pro, um sistema que não apenas olha para a forma de um tumor ou para seus genes isoladamente, mas estuda como eles conversam entre si. A equipe começou com dados de 318 pacientes que haviam sido tratados para câncer de estômago. Para cada paciente, eles coletaram três coisas: um escaneamento digital de toda a lâmina do tumor, uma lista de como milhares de genes estavam ativos naquele tumor e o histórico clínico do paciente, incluindo idade e o estágio da doença. Os pesquisadores primeiro ensinaram o computador a reconhecer as partes mais importantes das imagens microscópicas. Usando um método que imita como um patologista examina uma lâmina, o sistema aprendeu a ignorar espaços vazios e a focar nas áreas congestionadas onde as células cancerígenas estão invadindo o tecido normal. Simultaneamente, o computador vasculhou os dados genéticos para encontrar os genes específicos que estavam mais fortemente ligados ao tempo de sobrevivência dos pacientes, reduzindo milhares de possibilidades a um grupo central de 150 genes que realmente importavam.

A inovação central deste trabalho reside em como o computador conecta esses dois fluxos de informação. Em vez de simplesmente empilhar os dados da imagem ao lado dos dados genéticos, o modelo utiliza um mecanismo que permite que os dois façam perguntas um ao outro. Imagine os dados da imagem perguntando aos dados genéticos: "Quais mudanças moleculares estão acontecendo neste grupo específico de células?", enquanto os dados genéticos perguntam à imagem: "Como é o tecido onde esses genes estão mais ativos?". Essa troca de informações permite que o modelo encontre conexões profundas que nenhum dos lados conseguiria ver sozinho. Por exemplo, o modelo pode aprender que um arranjo celular especificamente desordenado é quase sempre acompanhado por um alto nível de atividade em certos genes, e que essa combinação específica é um forte sinal de alerta para um desfecho desfavorável. Ao integrar essas pistas visuais e moleculares com a idade do paciente e o estágio da doença, o modelo gera um escore de risco único para cada pessoa.

Os resultados desta abordagem foram claros e mensuráveis. Quando os pesquisadores testaram o modelo nos dados dos pacientes, ele provou ser significativamente melhor em prever a sobrevivência do que qualquer método que utilizasse apenas um tipo de informação. Um modelo olhando apenas para os genes poderia prever resultados com um certo nível de precisão, e um modelo olhando apenas para as imagens teve um desempenho ligeiramente inferior, mas o modelo combinado superou ambos. O sistema alcançou uma pontuação que indica uma alta capacidade de classificar corretamente os pacientes pelo risco de morte, um número que aumentou visivelmente quando todas as três fontes de dados foram usadas juntas. Mais importante ainda, o modelo não agiu como uma "caixa preta" misteriosa que fornece uma resposta sem explicação. Os pesquisadores integraram ferramentas que permitiram ver exatamente o que o computador estava observando. Eles puderam gerar mapas de calor mostrando em quais partes da lâmina do tumor o modelo se concentrou, e esses mapas destacaram consistentemente as bordas do tumor onde ele invade o tecido saudável, bem como áreas de células mortas. Eles também puderam ver quais genes estavam impulsionando a previsão, identificando marcadores moleculares específicos que o modelo aprendeu serem críticos. Essa transparência é vital, pois permite que os médicos confiem no julgamento do computador ao verem a evidência biológica por trás dele.

O estudo também testou o quão bem o modelo se manteria se tivesse que fazer previsões ao longo do tempo. Ele estimou com sucesso as probabilidades de sobrevivência em um, três e cinco anos, mantendo sua precisidade através desses diferentes períodos de tempo. Quando os pacientes foram divididos em grupos de alto risco e baixo risco com base nos escores do modelo, a diferença em suas taxas de sobrevivência reais foi marcante e estatisticamente significativa, confirmando que o modelo poderia efetivamente separar aqueles que provavelmente teriam um bom prognóstico daqueles que não teriam. Os pesquisadores observaram que, embora o modelo tenha tido um bom desempenho, ele foi treinado em um único banco de dados de registros de pacientes, e sua capacidade de funcionar em pacientes de diferentes hospitais ou regiões ainda precisa ser testada. Eles também reconheceram que as imagens utilizadas às vezes apresentavam imperfeições, como coloração desigual, o que poderia afetar a visão do computador. Apesar dessas limitações, o trabalho demonstra que combinar a história visual de um tumor com sua história molecular cria uma ferramenta muito mais poderosa para compreender a doença. Ao provar que esses diferentes tipos de dados podem ser tecidos juntos para revelar uma imagem mais clara do futuro, esta pesquisa oferece um caminho promissor para um cuidado mais personalizado e preciso para pacientes que enfrentam o câncer gástrico.