GMAP: modelo de IA prevê alterações moleculares do glioma em lâminas de rotina

Em um laboratório típico, a coloração de uma amostra de tumor cerebral leva cerca de uma hora. A lâmina em tons de rosa e roxo é um recurso padronizado, barato e presente em hospitais do mundo inteiro.

Essas lâminas oferecem ao patologista muitas pistas sobre os tipos celulares, a organização do tecido e o nível de atividade no cérebro.

O que elas não mostram - pelo menos não de forma direta - é a assinatura molecular do próprio tumor.

Para chegar a essas respostas, normalmente são necessárias semanas de testes genéticos feitos à parte. Ainda assim, um novo modelo de inteligência artificial sugere que a informação já estava, desde o início, na própria lâmina.

Treinando o modelo de IA

A equipe do estudo foi coordenada pela Dra. Li Liang, patologista da Universidade Médica do Sul, em Guangzhou, na China.

A Dra. Liang trabalhou em conjunto com colaboradores de 12 hospitais chineses e com dados provenientes de duas bases públicas.

O modelo de aprendizagem profunda desenvolvido pelo grupo se chama GMAP - sigla para preditor de alterações moleculares do glioma. Ele analisa as lâminas histológicas de rotina que os hospitais já produzem diariamente.

Ao fazer essa leitura, o sistema busca quatro características genéticas que, em condições usuais, exigiriam exames específicos separados.

Para o treinamento, foram usadas lâminas tumorais de 877 pacientes; depois, o desempenho foi avaliado em amostras de mais 3,147 pacientes, vindos de 13 hospitais externos.

Com isso, os pesquisadores reuniram a maior coleção de lâminas de tumor cerebral já aplicada a esse tipo de comparação com IA.

Genes por trás do grau

Na graduação de um tumor cerebral, certos marcadores genéticos presentes nas células tumorais orientam praticamente todas as decisões terapêuticas.

Há marcadores que indicam melhor resposta à quimioterapia padrão. Outros, por sua vez, confirmam a forma mais perigosa da doença.

A proposta do modelo é inferir quatro desses marcadores genéticos diretamente a partir de uma lâmina de tecido.

A confirmação em laboratório, em geral, leva semanas de testes especializados. Em muitas regiões do mundo, esse tipo de exame simplesmente não existe.

Precisão do sistema de IA

No caso da mutação de IDH - o marcador mais estudado entre os quatro - o GMAP igualou ou superou o desempenho descrito em um artigo recente.

Quando a tarefa foi diferenciar um tumor que carrega algum dos marcadores de outro que não carrega, o GMAP acertou em mais de 93% das vezes nos testes internos.

Nos 13 hospitais externos em que o modelo nunca havia sido treinado, a taxa caiu, mas permaneceu acima de 87%.

Uma queda desse tipo é esperada quando o modelo passa a operar em cenários novos. Ainda assim, o resultado segue dentro de uma faixa considerada útil.

Um olhar mais de perto sobre o algoritmo

Somente as pontuações não esclarecem se o modelo chega à resposta certa pelos motivos corretos.

Por isso, os pesquisadores examinaram o algoritmo “por dentro” para entender quais células e quais padrões teciduais estavam puxando as previsões.

Nos tumores com IDH mutante, o GMAP deu destaque às chamadas células de “ovo frito”, a núcleos arredondados e a vasos de parede fina.

Já os tumores com IDH do tipo selvagem foram associados à necrose e a aglomerados de novos vasos sanguíneos.

Esses achados batem com o que patologistas esperam observar em cada tipo tumoral, o que traz segurança.

Uma revisão recente apontou que modelos anteriores de IA para glioma raramente explicavam o que, de fato, estavam “observando” nas lâminas.

Uma pista nas células fusiformes

O que mais chamou a atenção dos pesquisadores foi a alteração cromossómica +7/–10. Sempre que o GMAP a identificava, o foco do modelo recaía sobre agrupamentos de células curtas em formato fusiforme.

Trata-se de células alongadas e estreitas que, até então, patologistas não haviam ligado formalmente a esse padrão cromossómico específico.

A equipe da Dra. Liang descreve isso como uma hipótese: uma observação guiada por dados sobre um tipo celular associado a uma alteração cromossómica.

O modelo também passou por uma verificação independente: os pesquisadores realizaram um teste laboratorial separado para mutações de IDH no mesmo tecido.

Os resultados foram praticamente os mesmos e indicaram exatamente a região para a qual a IA havia direcionado a atenção.

Para além de um único laboratório

Para a equipe da Dra. Liang, o GMAP não deve substituir os testes genéticos; a ideia é que funcione como uma camada de triagem antes deles.

Nesse papel, ele se mostrou uma primeira etapa altamente bem-sucedida, ao mesmo tempo em que evidencia onde ainda são necessários tecnologia adicional e desenvolvimento.

Um hospital sem laboratório de sequenciamento poderia aplicar o GMAP à lâmina e, a partir daí, decidir quem precisa de tratamento com mais urgência.

Em locais em que o teste molecular é raro, essa leitura inicial pode reduzir o tempo de espera até a quimioterapia mais adequada.

Uma meta-análise recente sobre ferramentas de IA para prever marcadores moleculares do glioma concluiu que esse tipo de previsão está se aproximando da prontidão para uso clínico.

Caminhos futuros

Até a publicação deste estudo, não se sabia que um modelo de IA treinado em lâminas de rotina conseguiria manter confiabilidade quando aplicado em vários hospitais.

Os resultados abrem novas possibilidades clínicas em contextos em que uma avaliação genómica padrão está fora de alcance.

No limite, o modelo de IA pode contribuir para diagnósticos mais precoces, decisões terapêuticas mais rápidas e alternativas com melhor custo-benefício para pacientes que precisariam de sequenciamento caro.