Machine learning para prever a eficiência da imunoterapia no tratamento do câncer

Um dos tratamentos mais conhecidos para o câncer é a quimioterapia, onde drogas são usadas para atacar diretamente as células cancerígenas. Uma outra opção de desenvolvimento mais recente é a imunoterapia, onde o paciente recebe medicamentos para ajudar seu próprio sistema imune a combater o câncer. Assim, o tratamento é mais específico, tendo o potencial de ser mais efetivo e apresentar menos efeitos colaterais. Entretanto, a imunoterapia é ainda muito cara, chegando a custar 200 mil dólares por ano por paciente. Além disso, apenas 20% dos pacientes respondem ao tratamento, o que só pode ser comprovado em suas fases mais avançadas. Isso resulta na maioria dos casos em gastos elevados sem nenhum retorno.

Para evitar a escolha de um tratamento inadequado, se faz necessário avaliar sua eficácia o mais cedo possível. Por isso, pesquisadores da Universidade de Case Western Reserve, nos Estados Unidos, trabalharam para desenvolver um método de machine learning capaz de analisar imagens de tomografia computadorizada (CT, computed tomography), que é um exame comumente empregado para analisar a progressão do câncer, após apenas 2 ou 3 ciclos de tratamento imunoterápico. Eles usaram imagens obtidas de 50 pacientes com câncer de pulmão para que o algoritmo pudesse aprender a classificar as mudanças nas lesões. Além do tamanho, que já era analisado de praxe, o algoritmo reconheceu mudanças de textura, volume e formato, fornecendo informações adicionais sobre a reação do tumor ao tratamento. Isso é relevante porque a mudança de textura, por exemplo, é melhor preditora da eficiência do tratamento, além de que o tumor pode aumentar de tamanho por outras razões, como rupturas de vasos sanguíneos internos, o que pode mascarar o efeito positivo da terapia. Os resultados do método se mostraram consistentes entre as imagens de pacientes tratados em dois locais diferentes, e com três tipos diferentes de agentes imunoterápicos, o que atesta sua robustez.

Além de predizer quais pacientes podem ser beneficiados pelo tratamento completo, o algoritmo foi capaz de elucidar alguns pontos sobre a biologia envolvida no processo. Os padrões nas imagens de CT mais associados com resultados positivos e com a sobrevivência dos pacientes estavam fortemente relacionados com o arranjo das células imunes nas biópsias diagnósticas originais dos pacientes. Isso sugere que as imagens parecem estar capturando a resposta imune elicitada pelos tumores, e que os pacientes com resposta mais forte estavam apresentando as alterações de textura mais significativas, sendo por consequência os que melhor respondiam à imunoterapia. Esse tipo de informação, possibilitada pelo uso de machine learning, é inédito na literatura científica oncológica.

O trabalho foi publicado em novembro na revista científica Cancer Immunology Research.