Modelo de IA para diagnóstico de câncer é aprimorado

CHIEF, um modelo inovador de machine learning, supera tecnologias anteriores e melhora a precisão no diagnóstico e prognóstico de câncer.

Um novo modelo de inteligência artificial (IA) chamado CHIEF (Clinical Histopathology Imaging Evaluation Foundation, em português Fundamento para Avaliação de Imagens Histopatológicas Clínicas) foi desenvolvido para melhorar o diagnóstico e prognóstico de câncer por meio da análise de imagens histopatológicas. Pesquisadores de várias instituições, incluindo Harvard e Stanford, criaram uma estrutura de machine learning para avaliar sistematicamente imagens microscópicas de tecidos e extrair características relevantes para a detecção de células cancerosas, identificação da origem do tumor e previsão de perfis moleculares e prognósticos.

O modelo CHIEF foi treinado com 60.530 imagens de lâminas histopatológicas provenientes de 19 diferentes regiões anatômicas. Ele utiliza duas formas de pré-treinamento complementares: uma não supervisionada, para identificar características celulares em nível de micrótomo, e outra supervisionada, para reconhecer padrões em toda a lâmina. O desempenho do modelo foi validado com 19.491 imagens de lâminas de 32 conjuntos de dados independentes, coletados em 24 hospitais ao redor do mundo.

Comparado a outros métodos de deep learning, CHIEF apresentou uma melhoria de até 36,1% na precisão de suas avaliações. Isso demonstra sua eficácia em superar as limitações de modelos anteriores, especialmente quando aplicados a amostras de diferentes populações ou processados por métodos variados de preparação de lâminas. CHIEF se destacou ao lidar com mudanças no domínio das amostras, fator que dificulta a aplicabilidade de muitos modelos de IA.

O estudo também explorou a capacidade do CHIEF de identificar mutações genéticas associadas ao câncer, oferecendo uma alternativa rápida e acessível ao sequenciamento genético tradicional. Entre as mutações identificadas com alta precisão estão TP53, comumente associada a vários tipos de câncer, e GTF2I, prevalente em tumores epiteliais tímicos. O modelo também mostrou capacidade de prever o status de mutações que influenciam respostas a terapias-alvo.

Além disso, CHIEF foi eficaz na previsão dos resultados de sobrevida de pacientes, diferenciando aqueles com maior e menor risco de mortalidade. Isso foi possível por meio da análise das imagens histopatológicas no momento do diagnóstico, fornecendo uma ferramenta valiosa para a personalização do tratamento e melhoria no manejo clínico dos pacientes com câncer.

Saiba mais

O artigo, intitulado “A pathology foundation model for cancer diagnosis and prognosis prediction“, foi escrito por Xiyue Wang, Junhan Zhao, Eliana Marostica e outros. Foi publicado na revista Nature, volume 614, em 2024.