IA prevê eficácia de três tipos de terapia contra câncer de pulmão com base em exames de imagem

Quando um paciente é diagnosticado com câncer, o médico deve se basear nos exames de tomografia computadorizada para determinar o tratamento a ser observado: dependendo do tipo e da gravidade do tumor, ele será mais sensível a um ou outro tratamento. Entretanto, atualmente, a decisão é bastante subjetiva, contando sobretudo com a experiência clínica do médico. Dado que o sucesso da terapia também depende de uma intervenção eficiente o mais cedo possível, é importante garantir que a primeira opção de tratamento seja a mais adequada.

Graças à inteligência artificial, decisões do tipo começam a perder esse caráter subjetivo em prol de uma análise mais pautada em dados. Pesquisadores da Universidade da Columbia, nos Estados Unidos, publicaram no final de março seu trabalho onde eles treinaram um algoritmo de machine learning para predizer a sensibilidade de um tipo de câncer de pulmão a três tratamentos diferentes, tendo como base as imagens de tomografia dos pacientes. Alguns dos marcadores tradicionalmente associados à eficácia do tratamento são mudanças no tamanho dos tumores e a aparência de novas lesões, mas algumas das terapias mais recentes não têm uma associação muito forte com esses indicadores, de forma que novas abordagens são necessárias. Para validar seu método, os cientistas coletaram as imagens dos pacientes antes e depois de receberem a primeira dose do tratamento correspondente: um agente imunoterapêutico, um agente quimioterapêutico, ou um agente direcionado ao câncer. Como o estudo era retrospectivo, o resultado da eficácia já era conhecido, mas a comparação das imagens no início do tratamento foi importante para descobrir quais os melhores features radiológicos para a tarefa de predição. De um total de 1160 features, oito foram selecionados, entre eles o volume do tumor, a heterogeneidade, o formato e a sua margem. O modelo treinado alcançou a métrica de desempenho AUC na faixa de 0.67 a 0.82, dependendo do tipo de tratamento. Além de ter sido possível usar os mesmos features para determinar a eficácia dos três tipos de tratamento, os pesquisadores também conseguiram averiguar com o mesmo método como outros tipos de câncer responderiam aos agentes de intervenção.

As conclusões do estudo são limitadas pelo relativo baixo número de dados analisados (cerca de 200 pacientes), mas os autores apontam que, confirmado o potencial do uso de inteligência artificial para tornar a decisão terapêutica mais objetiva, é possível ganhar ainda mais precisão usando bases de dados mais amplas.