Inteligência artificial prevê metástases em pacientes com câncer gástrico

Um algoritmo de inteligência artificial (IA) pode prever a presença de metástase peritoneal oculta em pacientes com câncer gástrico com base em tomografias computadorizadas pré-operatórias, potencialmente ajudando na tomada de decisão de tratamento e evitando cirurgias desnecessárias, de acordo com pesquisa publicada online em 5 de janeiro em JAMA Network Open. 

Uma equipe de pesquisadores da Universidade de Stanford e várias instituições na China descobriram que seu modelo de aprendizado profundo, chamado Rede de Metástase Peritoneal (PMetNet), rendeu um forte desempenho diagnóstico em duas coortes de validação externa diferentes de pacientes. "Essas descobertas representam um importante passo à frente na previsão precisa da metástase peritoneal oculta por meio da aplicação de técnicas avançadas de aprendizado profundo", escreveram os autores, liderados pelo Dr. Yuming Jiang, PhD, de Stanford. "Se validado em estudos prospectivos, o modelo PMetNet pode servir como uma abordagem útil para a previsão não invasiva de metástases peritoneais ocultas e pode informar o manejo cirúrgico individualizado de [câncer gástrico]."

Como os pacientes com metástases peritoneais têm um prognóstico ruim e geralmente não são elegíveis para cirurgia curativa, é importante ser capaz de detectar e diagnosticar essas metástases no pré-operatório para facilitar a tomada de decisão e evitar cirurgias desnecessárias, de acordo com os pesquisadores. Mas os sinais clássicos de patologia na TC apresentam apenas uma sensibilidade de 28% a 51%. Como resultado, os pesquisadores procuraram desenvolver um modelo de aprendizado profundo para atender a essa necessidade não atendida.

Em um estudo retrospectivo, os autores primeiro reuniram dados clínico-patológicos e de imagem de pacientes com câncer gástrico avançado atendidos em três hospitais diferentes na China. Uma rede neural convolucional densamente conectada foi treinada usando tomografias computadorizadas abdominais com contraste pré-operatório de 1.225 pacientes consecutivos que receberam cirurgias abertas ou laparoscópicas para câncer gástrico avançado no Sun Yat-sen University Cancer Center em Guangzhou, China, entre 1 de janeiro de 2008, e 31 de janeiro de 2013.

Em seguida, eles testaram o PMetNet em duas coortes de validação externa diferentes de dois outros hospitais na China, incluindo 504 pacientes no Nanfang Hospital em Guangzhou, China, e 249 pacientes do Third Affiliated Hospital of Southern Medical University em Guangzhou, China, entre 1 de janeiro de 2007 e 31 de dezembro de 2017.

Em comparação, as variáveis ​​clínico-patológicas convencionais produziram valores de área sob a curva variando de 0,51 a 0,63. Os pesquisadores reconheceram uma série de limitações ao seu estudo, incluindo seu foco em pacientes em populações asiáticas. Como resultado, seu algoritmo precisa ser avaliado posteriormente em outros grupos étnicos, de acordo com os autores.

Eles também observaram que o modelo não pode ser usado sozinho para excluir pacientes que podem ser elegíveis para cirurgia curativa. "Para aplicações clínicas, será crucial integrar informações de investigações de outras modalidades, como ultrassonografia endoscópica e / ou laparoscopia, para melhorar a especificidade e sensibilidade para o diagnóstico de metástases peritoneais ocultas", escreveram os autores.

Imagem: Imagem de TC (esquerda) de paciente com câncer gástrico com metástase peritoneal, juntamente com saída do modelo de aprendizado profundo (centro e direita). As imagens são cortesia dos Institutos de Tecnologia Avançada de Shenzhen.

Fonte: https://www.auntminnie.com/index.aspx?sec=sup&sub=cto&pag=dis&ItemID=131253