GMAP: modelo de IA prevê alterações moleculares do glioma a partir de lâminas de tecido

Num laboratório típico, corar uma amostra de tumor cerebral demora cerca de uma hora. A lâmina cor-de-rosa e roxa é um recurso habitual, barato e padronizado, disponível em hospitais por todo o mundo.

Estas lâminas dizem muito a um patologista sobre os tipos de células, a organização do tecido e a actividade no cérebro.

O que não mostram - pelo menos não de forma directa - é a composição molecular do próprio tumor.

Para obter essas respostas, normalmente são necessárias semanas de testes genéticos separados. No entanto, um novo modelo de IA sugere que essa informação já estava presente na própria lâmina.

Treino do modelo de IA

A equipa de investigação foi liderada pela Dra. Li Liang, patologista na Southern Medical University, em Guangzhou, China.

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

O modelo de aprendizagem profunda da equipa chama-se GMAP, abreviatura de predictor de alterações moleculares do glioma (glioma molecular alterations predictor). O sistema analisa as lâminas de tecido de rotina que os hospitais já produzem.

Ao fazê-lo, o modelo procura quatro características genéticas que, em condições normais, exigiriam testes adicionais.

A equipa da Dra. Liang treinou o GMAP com lâminas de tumores de 877 doentes e, depois, avaliou-o com amostras de mais 3,147 doentes, recolhidas em 13 hospitais externos.

Com isto, reuniram a maior colecção de lâminas de tumores cerebrais alguma vez usada para este tipo de comparação com IA.

Genes por detrás do grau

Na classificação de um tumor cerebral, marcadores genéticos específicos nas células tumorais orientam quase todas as decisões terapêuticas.

Alguns marcadores indicam que o tumor tende a responder melhor à quimioterapia padrão. Outros confirmam a variante mais perigosa.

O modelo de IA tenta prever quatro desses marcadores genéticos directamente a partir de uma lâmina de tecido.

A confirmação laboratorial costuma demorar semanas e requer testes especializados. Em muitas regiões do mundo, esses testes nem sequer estão disponíveis.

Precisão do sistema de IA

Para a mutação IDH, o marcador mais estudado entre os quatro, o modelo igualou ou superou o desempenho descrito num artigo recente.

Quando teve de distinguir um tumor que apresenta um dos marcadores de outro que não apresenta nenhum, o GMAP acertou em mais de 93% dos casos nos testes internos.

Nos 13 hospitais externos em que nunca tinha sido treinado, esse valor desceu, mas manteve-se acima de 87%.

É expectável alguma quebra quando um modelo é aplicado em novos contextos. Ainda assim, os resultados permanecem dentro de um intervalo útil.

Uma análise mais próxima do algoritmo

Os resultados numéricos, por si só, não mostram se um modelo está a chegar à resposta certa pelas razões certas.

Por isso, os investigadores analisaram o interior do algoritmo para perceber que células e que padrões tecidulares estavam a determinar as previsões.

Nos tumores com mutação IDH, o GMAP concentrou-se nas chamadas células em “ovo estrelado”, em núcleos arredondados e em vasos de paredes finas.

Nos tumores do tipo IDH wild-type, o sinal passava por necrose e por aglomerados de novos vasos sanguíneos.

Estes padrões correspondem ao que os patologistas esperam encontrar em cada tipo de tumor, o que é tranquilizador.

Uma revisão recente concluiu que os modelos de IA anteriores para gliomas raramente explicavam aquilo que, na prática, estavam a observar.

Uma pista nas células fusiformes

O que mais surpreendeu os investigadores foi a alteração cromossómica +7/–10. Sempre que o GMAP a identificou, o modelo fixou-se em aglomerados de células curtas, com forma fusiforme.

Trata-se de células alongadas e estreitas que, até aqui, os patologistas não tinham ligado formalmente a esse padrão genético específico.

A equipa da Dra. Liang descreve isto como uma hipótese: uma observação orientada por dados sobre um tipo celular associado a uma alteração cromossómica concreta.

O modelo também passou por uma verificação separada, na qual os investigadores realizaram um teste laboratorial independente para mutações IDH no mesmo tecido.

Os resultados foram praticamente os mesmos e apontaram exactamente para a zona onde a IA tinha estado a “olhar”.

Para lá de um único laboratório

A equipa da Dra. Liang apresenta o GMAP não como substituto dos testes genéticos, mas como uma etapa de triagem antes deles.

Foi uma primeira passagem muito bem-sucedida, que também ajuda a identificar que tecnologia adicional e que desenvolvimento ainda são necessários.

Um hospital sem laboratório de sequenciação poderia aplicar o GMAP a uma lâmina e decidir quem precisa de tratamento com maior urgência.

Em regiões onde os testes moleculares são raros, esta leitura antecipada poderia reduzir o tempo de espera até à quimioterapia adequada.

Uma meta-análise recente sobre ferramentas de IA para prever marcadores moleculares de glioma concluiu que este tipo de previsão está cada vez mais perto da prontidão clínica.

Caminhos futuros

Até à publicação deste artigo, não se sabia se um modelo de IA treinado em lâminas de tecido de rotina conseguiria funcionar de forma fiável quando aplicado em múltiplos hospitais.

As conclusões abrem novas possibilidades clínicas em locais onde as avaliações genómicas padrão estão fora de alcance.

No limite, o modelo poderá contribuir para diagnósticos mais precoces, decisões terapêuticas mais rápidas e opções mais custo-efectivas para doentes que, de outra forma, dependeriam de sequenciação dispendiosa.