Investigadores do Dana-Farber Cancer Institute e do Massachusetts Institute of Technology (MIT) desenvolveram uma ferramenta baseada em inteligência artificial (IA) que permite prever a origem primária de um tumor cancerígeno. O estudo foi publicado na revista Nature Medicine, bem como no site do MIT.
Esta ferramenta preditiva, chamada 'OncoNPC', abreviação de Oncology NGS-based Primary cancer type Classifier, pode ajudar a orientar o tratamento do câncer e melhorar os resultados em casos difíceis de diagnosticar.
Utilizando aprendizado de máquina, os pesquisadores criaram um modelo computacional que analisa a sequência de cerca de 400 genes. Desta forma, a ferramenta poderá facilitar a identificação da origem dos tumores cancerígenos em pacientes cuja localização exata não pode ser determinada. Ou seja, prever a origem do tumor no corpo.
O modelo foi capaz de classificar com precisão pelo menos 40% dos tumores de origem desconhecida em um conjunto de dados de 900 pacientes. Isto aumentaria o número de pacientes que poderiam receber tratamento direcionado com base no seu genoma.
Para tumores com tipos conhecidos, o OncoNPC previu com precisão a origem de cerca de 80%, incluindo tumores metastáticos, utilizando um subconjunto de casos que não tinham sido utilizados como dados de treino. Da mesma forma, o OncoNPC poderia ajudar os médicos a tomar decisões terapêuticas e orientá-los para tratamentos personalizados para pacientes com cancro de origem desconhecida.
Da mesma forma, o OncoNPC poderia ajudar os médicos a tomar decisões terapêuticas e orientá-los para tratamentos personalizados para pacientes com cancro de origem desconhecida.
Contudo, em 3-5% dos casos de câncer, a origem do tumor não pode ser determinada, o que significa que estes pacientes são diagnosticados com cancro de sítio primário desconhecido e, portanto, as opções de tratamento são limitadas, devido a esta falta de precisão. É por isso que esta ferramenta representa esperança.
"Vemos a previsão do 'OncoNPC' como um empurrãozinho, uma forma de oferecer uma possível explicação para o câncer que ajudará a orientar o tratamento adequado, incluindo medicina de precisão", disse o pesquisador Dana-Farber e autor principal, Dr. Alexander Gusev, do estudo.
Uma forma de ajudar os médicos a selecionar tratamentos que melhorem a sobrevivência.
Construção de modelo
Os pesquisadores treinaram e validaram um classificador de aprendizado de máquina para construir o modelo. Para fazer isso, eles usaram registros médicos de 36.445 pacientes com tumores primários conhecidos de três grandes centros de câncer, incluindo Dana-Farber. Os registros continham dados de sequenciamento genético do tumor e informações clínicas de cada paciente.
Dois dos pesquisadores, Gusev e Intae Moon, primeiro autor, estudante de pós-graduação do Instituto de Tecnologia de Massachusetts (MIT) e pesquisador do laboratório de Gusev, optaram por usar um modelo de aprendizado de máquina interpretável, o que significa que o raciocínio por trás da previsão do modelo é mais transparente do que outras formas de IA.
“Pensámos que esta transparência ajudaria os médicos a confiar no modelo”, explica Moon, acrescentando: “Também poderia ser clínica e biologicamente útil ver que fatores genéticos contribuíram para a previsão do modelo, especialmente dada a natureza enigmática dos tumores de sítio primário desconhecido."
Validação de previsão
Simultaneamente às previsões relativas aos diferentes tumores, os investigadores aplicaram o 'OncoNPC' a outra base de dados de 971 tumores de localização primária desconhecida de pacientes tratados em Dana-Farber, onde uma equipe de especialistas já tinha feito esforços consideráveis para identificar a origem primária do tumor.
O modelo de IA foi então capaz de prever a origem do tumor com alto grau de confiabilidade em 400 dos 971 casos (41,2%).
Para validar estas previsões, a equipe analisou os riscos de câncer hereditário da linha germinal destes pacientes e descobriu que os riscos correspondiam às previsões. Eles também analisaram atentamente casos individuais para determinar se os dados, incluindo resultados patológicos, histórico do paciente e mutações genéticas, apoiavam a previsão.
“A validação é um desafio porque não existe uma verdade absoluta. Os métodos existentes não foram capazes de identificar a origem”, diz Gusev, acrescentando: “Os testes que analisamos mostraram-nos que o modelo está no caminho certo”.
Assim, a equipe examinou então os resultados de um subconjunto de pacientes com câncer de sítio primário desconhecido. Os pacientes que receberam tratamentos que corresponderam ao local previsto do tumor primário tiveram melhor sobrevida em comparação com aqueles que receberam tratamentos que não corresponderam às previsões.
As previsões do OncoNPC permitiriam que aproximadamente 2,2 vezes mais pacientes com câncer de sítio primário desconhecido fossem atribuídos a medicamentos direcionados aprovados.
“O apelo desta abordagem é que os painéis tumorais estão amplamente disponíveis e é fácil analisar esses resultados através do algoritmo para obter uma previsão. Pode ser valioso em ambientes com recursos limitados”, observa Gusev.
Até agora, a ferramenta só foi estudada com dados retrospectivos. Para determinar se pode melhorar os resultados dos pacientes, precisaria ser testado em um ensaio clínico.