An Explainable AI Framework Integrating Survival Analysis and Machine Learning for COX Inhibitor Evaluation

Resumo Técnico: Um Framework de IA Explicável Integrando Análise de Sobrevivência e Aprendizado de Máquina para a Avaliação de Inibidores de COX

Problema
A avaliação de inibidores da Ciclooxigenase (COX), particularmente para modulação de inflamação e dor, enfrenta um gargalo metodológico caracterizado por abordagens analíticas fragmentadas e reduzida interpretabilidade de modelos. Embora o aprendizado de máquina (ML) ofereça uma capacidade superior de reconhecimento de padrões para conjuntos de dados bioquímicos complexos, ele frequentemente carece da transparência necessária para a tomada de decisão clínica. Por outro lado, a análise de sobrevivência clássica, especificamente o modelo de Riscos Proporcionais de Cox (Cox PH), fornece razões de risco (hazard ratios) interpretáveis, mas pode falhar em capturar relações não lineares e interações complexas inerentes às covariáveis bioquímicas. Existe uma carência de frameworks unificados que comparem sistematicamente modelos de sobrevivência clássicos contra algoritmos modernos de ML dentro de um pipeline explicável e consistente para a avaliação pré-clínica de fármacos.

Metodologia
O estudo propõe um framework integrado multimodelos que combina análise de sobrevivência com aprendizado de máquina baseado em classificação, avaliado através de um protocolo rigoroso de validação cruzada aninhada (NCV).

• Datasets: A pesquisa utiliza três fontes de dados complementares para garantir robustez e avaliação metodológica:

  1. Dataset Bioquímico Experimental ($n=90$): Derivado de ensaios de viabilidade MTT in-house em três linhagens de células cancerígenas humanas (HeLa, HCT-116, HepG2) tratadas com híbridos de benzimidazol-triazol sintetizados em concentrações e pontos temporais variados.
  2. Dataset de Referência Padronizado ($n=1000$): Um dataset sintético gerado (linha de base JPDR) baseado em riscos fundamentais de Weibull e premissas estatísticas predefinidas. Este dataset é utilizado exclusivamente para benchmarking metodológico e análise de estabilidade, não para inferência biológica.
  3. Coorte Harmonizada ($n=312$): Uma coorte semi-sintética criada pela integração dos dados experimentais com um subconjunto estatisticamente pareado do dataset de referência para equilibrar o realismo biológico com o poder estatístico.

• Modelos Avaliados: Seis modelos preditivos foram sistematicamente testados:

  • Modelos de Sobrevivência: Riscos Proporcionais de Cox (Cox PH), Cox Elastic-Net (Cox-ML) e Rede de Sobrevivência Profunda (Deep-S).
  • Modelos de Classificação: Regressão Logística, Random Forest (RF) e Máquina de Vetores de Suporte (SVM).
  • Ensemble: Uma média ponderada dos modelos base.

• Protocolo de Avaliação:

  • Validação Cruzada Aninhada: Um loop externo de 5 dobras para estimativa de desempenho e um loop interno de 5 dobras para ajuste de hiperparâmetros (usando busca em grade ou aleatória) para evitar o sobreajuste (overfitting).
  • Métricas: O desempenho foi medido usando o Índice de Concordância (C-index) para discriminação de sobrevivência, Área Sob a Curva ROC (AUC) e Acurácia para classificação, e o Índice de Brier Integrado (IBS) para calibração.
  • Explicabilidade (XAI): O framework incorpora valores SHAP (Shapley Additive Explanations) para quantificar as contribuições das características. Um novo Índice de Estabilidade SHAP (SI) foi introduzido para avaliar a consistência das classificações de importância de características através de 100 réplicas de bootstrap.
  • Diagnósticos: As premissas do Cox PH foram validadas usando resíduos de Schoenfeld e gráficos de Martingale. Estatísticas de concordância dependentes do tempo (C de Uno) foram utilizadas para os modelos de sobrevivência.

Principais Contribuições

1. Framework de Benchmarking Unificado: O estudo estabelece um pipeline coerente para comparar modelos de sobrevivência clássicos e classificadores flexíveis de ML em dados bioquímicos, abordando a lacuna na literatura anterior que frequentemente trata esses paradigmas separadamente.
2. Estratégia de Avaliação de Múltiplas Coortes: Ao utilizar datasets experimentais, simulados e harmonizados, o framework permite uma avaliação metodológica controlada enquanto mantém um vínculo com a realidade biológica.
3. Integração de IA Explicável: O artigo introduz um Índice de Estabilidade SHAP (SI) para quantificar a repetibilidade da importância das características sob reamostragem, preenchendo uma lacuna na análise de sobrevivência explicável. Também propõe uma camada de interpretação de resíduos para mapear os resíduos do modelo para as covariáveis bioquímicas.
4. Harmonização de Tarefas Cruzadas: Os autores demonstram um método para converter previsões de sobrevivência de tempo até o evento em probabilidades de risco de horizonte fixo (365 dias), permitindo a comparação direta entre métricas de sobrevivência e classificação (AUC, Acurácia) em uma escala unificada.

Resultados

• Desempenho Preditivo:

  • Random Forest (RF) alcançou consistentemente a maior discriminação e acurácia nas tarefas de classificação, com uma AUC de 0,89 e acurácia de 0,85 na coorte harmonizada. Demonstrou capacidade superior de capturar relações dose-resposta não lineares.
  • Deep-S (Deep Survival) alcançou a maior discriminação dependente do tempo entre os modelos de sobrevivência, com um C-index de 0,83 e o menor Índice de Brier Integrado (0,142), indicando excelente calibração.
  • Cox PH forneceu um C-index de 0,78 (na coorte harmonizada) e permaneceu como o modelo mais interpretável, oferecendo estimativas estáveis de razão de risco.
  • Modelos de Ensemble melhoraram ligeiramente as métricas de desempenho em relação aos modelos individuais de topo, sugerindo que a agregação reduz a variância.

• Importância das Características e Estabilidade:

  • A análise SHAP identificou a Dose e a Covariável 1 como os principais preditores da eficácia do inibidor de COX.
  • Estas características exibiram alta estabilidade (SI > 0,85) através das réplicas de bootstrap, confirmando sua influência preditiva robusta.
  • Testes de importância por permutação corroboraram que a Dose teve o impacto mais significativo no desempenho do modelo.

• Validação Biológica:

  • As curvas de Kaplan-Meier derivadas do dataset experimental mostraram diferenças significativas de sobrevivência entre os grupos de tratamento (log-rank $p < 0,001$), particularmente para o Composto 5 em concentrações mais altas.
  • As estratificações de risco derivadas do modelo alinharam-se com a separação biológica observada, validando a capacidade do framework de capturar estruturas de resultados significativas.

Significância e Alegações
O artigo alega que sua principal significância reside em fornecer um pipeline transparente, reprodutível e explicável para a avaliação de estágio inicial de candidatos a fármacos. Ao equilibrar o poder preditivo de algoritmos de ML flexíveis (como Random Forest e Deep-S) com a interpretabilidade mecanística de modelos de sobrevivência clássicos (Cox PH), o framework apoia decisões baseadas em evidências na descoberta de fármacos.

Os autores enfatizam que, embora os modelos de ML ofereçam discriminação superior, o modelo Cox PH permanece indispensável para gerar razões de risco que fornecem insights mecanísticos diretos para a tomada de decisão clínica e farmacológica. O estudo posiciona seu framework não como um substituto para a validação experimental, mas como uma ferramenta computacional para priorizar candidatos e otimizar a alocação de recursos na pesquisa pré-clínica. O trabalho conclui que a integração desses paradigmas acelera a pesquisa translacional ao oferecer um método rigoroso para avaliar a eficácia de compostos, mantendo a interpretabilidade exigida em aplicações biomédicas.

Nota: Os autores declaram explicitamente que os resultados são geradores de hipóteses baseados em simulações in silico e testes iniciais de viabilidade, e que a eficácia farmacológica requer validação adicional através de experimentos ortogonais (ex: inibição enzimática, confirmação in vivo).