Resumo Técnico: Fusão Multimodal para Predição Pré-operatória de Invasão Linfovascular no Câncer de Mama

Problema

A invasão linfovascular (ILV) é um fator prognóstico crítico no câncer de mama, associado ao aumento dos riscos de recorrência local, metástase à distância e redução da sobrevida global. No entanto, a avaliação pré-operatória da ILV permanece um desafio. O padrão-ouro atual, o exame histopatológico pós-operatório, não pode orientar o planejamento cirúrgico pré-operatório ou a seleção da terapia neoadjuvante. Embora as biópsias por agulha grossa (core needle biopsy) ofereçam uma alternativa minimamente invasiva, elas frequentemente falham em capturar a heterogeneidade espacial do tumor e das regiões peritumorais onde a ILV ocorre com frequência, levando a erros de amostragem e variabilidade significativa entre observadores. Consequentemente, há uma necessidade urgente de métodos de imagem não invasivos e reprodutíveis capazes de prever com precisão o status de ILV antes da cirurgia.

Metodologia

Este estudo empregou um delineamento retrospectivo e multicêntrico envolvendo 750 pacientes com câncer de mama confirmado patologicamente em dois centros clínicos independentes. Os dados foram particionados em um coorte de desenvolvimento (Centro 1, n=636), que foi subdividido em um conjunto de treinamento (n=445) e um conjunto de validação interna (n=191), e um conjunto de teste externo independente (Centro 2, n=114).

Aquisição e Pré-processamento de Dados

• Imagem: Ressonância Magnética com Contraste Dinâmico (DCE-MRI) foi adquirida utilizando scanners de 3.0T (Philips e GE) com protocolos variados.
• Segmentação: Dois radiologistas experientes delinearam manualmente as regiões de interesse (ROI) do tumor nas fatias que apresentavam a maior área tumoral, evitando áreas de necrose e alterações císticas.
• Dados Clínicos: Variáveis patológicas e clínicas, incluindo idade, estado menopausal, grau histológico, status do linfonodo sentinela, marcadores imunohistoquímicos (ER, PR, HER-2, Ki-67) e subtipos moleculares, foram extraídas.

Extração de Características e Construção do Modelo

O estudo comparou sistematicamente quatro estratégias de recorte de ROI para entrada de aprendizado profundo (deep learning) 2D:

1. crop (recorte): Uma região retangular contendo o tumor.
2. crop_roi_only (apenas ROI do recorte): Apenas a ROI do tumor.
3. crop_en5 (recorte expandido em 5 mm): A ROI expandida em 5 mm para a região peritumoral.
4. no_crop (sem recorte): A fatia de imagem inteira contendo o tumor.

Cinco modelos preditivos foram construídos e comparados:

1. Modelo Clínico (Clinic): Baseado em fatores de risco independentes identificados via regressão logística multivariada.
2. Modelo de Radiômica (Rad): Extraído usando PyRadiomics (características de primeira ordem, forma e textura) com regressão LASSO para seleção e cinco classificadores de aprendizado de máquina (LR, SVM, KNN, RF, MLP).
3. Modelo de Aprendizado Profundo (DTL): Características extraídas usando uma rede VGG19 (pré-treinada no ImageNet) com a estratégia de ROI otimizada, alimentando os mesmos cinco classificadores.
4. Modelo de Radiômica de Aprendizado Profundo (DLR): Uma fusão ao nível de características da radiômica tradicional e das características de aprendizado profundo.
5. Modelo Combinado (Combined): Uma fusão abrangente de características de radiômica, aprendizado profundo e fatores de risco clínicos.

O desempenho foi avaliado usando AUC, acurácia, sensibilidade, especificidade, curvas de calibração e Análise de Curva de Decisão (DCA).

Principais Contribuições

1. Otimização das Estratégias de ROI: O estudo fornece uma avaliação sistemática das estratégias de definição de ROI para aprendizado profundo 2D na predição de ILV. Identifica que um recorte retangular simples contendo o tumor e um fundo limitado (crop) produz o melhor desempenho de generalização, superando a segmentação precisa, a expansão peritumoral e as entradas de fatia completa.
2. Estrutura de Fusão Multimodal: Os autores demonstram o valor incremental da integração de radiômica tradicional, características de aprendizado profundo 2D e fatores de risco clínicos. O estudo destaca que, embora modelos de aprendizado profundo isolados possam ter dificuldade com características histopatológicas sutis como a ILV, sua integração com radiômica e dados clínicos aumenta significante a capacidade preditiva.
3. Validação Multicêntrica Rigorosa: Ao contrário de muitos estudos anteriores que dependem de dados de centro único, este trabalho utiliza um conjunto de teste externo independente de uma instituição diferente com protocolos de imagem distintos, proporcionando uma avaliação robusta da generalização do modelo.

Resultados

• Comparação de Estratégia de ROI: A estratégia crop demonstrou superioridade de generalização no teste externo, com valores de AUC variando de 0,652 a 0,683 entre os classificadores. Em contraste, a estratégia no_crop teve o pior desempenho (AUC < 0,531), e a estratégia crop_en5 mostrou sinais de overfitting durante o treinamento.
• Preditores Clínicos: A análise multivariada identificou o estado menopausal, grau histológico, status do linfonodo sentinela, nível de expressão de Ki-67 e subtipo molecular como preditores independentes de ILV.
• Desempenho do Modelo:
  • O Modelo Combinado alcançou o melhor desempenho geral no teste externo com um AUC de 0,720 (IC 95%: 0,6245–0,8146).
  • Notavelmente, enquanto o modelo apenas Clínico teve um AUC ligeiramente superior (0,743), o Modelo Combinado exibiu uma sensibilidade significativamente maior (0,847 vs. 0,610), reduzindo a taxa de falsos negativos.
  • Modelos isolados (Rad, DTL, DLR) mostraram menor desempenho no teste externo (AUCs < 0,650), sendo que o modelo DTL apresentou desempenho particularmente baixo (AUC 0,469).
• Utilidade Clínica: A Análise de Curva de Decisão confirmou que o Modelo Combinado proporcionou o maior benefício líquido em uma ampla gama de probabilidades de limiar, apoiando sua utilidade clínica para estratificação de risco.

Significância e Alegações

O artigo alega que o modelo de fusão multimodal proposto oferece uma abordagem promissora e não invasiva para a estratificação de risco de ILV pré-operatória. Ao alcançar alta sensibilidade, o modelo aborda uma necessidade clínica crítica de minimizar falsos negativos, prevenindo a subestimação do risco do paciente e o planejamento inadequado do tratamento. O estudo enfatiza que a estratégia de recorte de ROI retangular é a configuração de entrada ideal para o aprendizado profundo de DCE-MRI 2D neste contexto.

Os autores mantêm um tom modesto em relação aos seus achados, reconhecendo limitações como a natureza retrospectiva do estudo, o conjunto de validação externa relativamente pequeno e o uso de entradas 2D de fatia única, que podem não capturar totalmente a biologia volumétrica do tumor. Eles concluem que, embora o modelo mostre potencial para decisões de tratamento personalizadas, ele deve ser visto como uma ferramenta complementar às avaliações clínicas existentes, e não como um substituto isolado, sendo necessária uma validação prospectiva adicional.