Mineração de imagens e ctDNA para melhorar a estratificação de risco e previsão de resultados em NSCLC aplicando inteligência artificial.

Nossa hipótese central é que características genéticas e derivadas de imagem peculiares são consistentes com o estágio da doença e a evolução do paciente. Portanto, são biomarcadores da carga da doença e da recidiva, que podem ser avaliados de forma não invasiva. A combinação, por meio de métodos de inteligência artificial, de dados provenientes de imagens médicas e DNA tumoral livre de células circulantes (ctDNA) pode fornecer estadiamento preciso e previsão de resultados. Esta hipótese foi formulada com base na evidência de que as imagens médicas são capazes de fornecer dados significativos que refletem as características do tumor, capturando a heterogeneidade intrínseca do tumor, de forma não invasiva, usando uma avaliação de corpo inteiro e de toda a lesão. De facto, nos últimos anos, tem sido explorada a análise avançada de imagens médicas utilizando radiómica, aprendizagem automática ou em combinação - mineração de imagens. Biomarcadores derivados de imagens, por meio de extração de características de textura e aplicação de redes neurais convolucionais, foram testados para fornecer informações de “fenótipo” (maligno vs benigno, e identificação de histótipo, e estadiamento T ou N. Além disso, foram demonstradas correlações entre características quantitativas derivadas de imagem com padrões de expressão gênica tecidual, ligando os fenótipos de imagem ao genótipo, como também demonstrado em nossos dados preliminares. Em segundo lugar, a abordagem de mineração de imagens foi proposta para fornecer informações prognósticas na avaliação inicial, como também mostrado no nosso trabalho anterior. Ainda assim, poucos estudos prospectivos com abordagem metodológica robusta foram publicados. Por outro lado, a análise do DNA tumoral livre de células circulantes (ctDNA) isolado do plasma de pacientes com câncer de pulmão tem sido proposta como um método alternativo para avaliar a doença nas diferentes fases. Em particular, no momento do diagnóstico, a detecção pós-cirúrgica da doença residual, a identificação de mutações no cenário metastático para orientação do tratamento e monitorização da resposta ao tratamento. Mesmo que o ctDNA tenha sido detectado em pacientes com todos os estágios do NSCLC, com níveis aumentando com o estágio e a carga tumoral, as informações do ctDNA ainda não foram exploradas para fins de estadiamento. A possibilidade de detectar um tumor na fase inicial do seu desenvolvimento ou a recorrência tem que enfrentar a questão da baixa quantidade de cfDNA em pacientes com carga mínima de doença. Além disso, a presença de um fundo parafisiológico de ctDNA, particularmente em pessoas idosas, afeta a especificidade. A este respeito, os investigadores esperam que a combinação de diferentes biomarcadores permitirá resolver este problema. As análises de Inteligência Artificial são cada vez mais descritas em aplicações de saúde. Nos últimos anos, métodos de aprendizado de máquina supervisionados, semissupervisionados e não supervisionados têm sido aplicados para analisar dados genômicos, proteômicos, clínicos e características radiográficas. Os métodos de aprendizagem profunda oferecem oportunidades para análise abrangente de dados multidimensionais para melhorar a previsão do prognóstico. A justificativa para o projeto proposto é que, uma vez conhecidos quais recursos de imagem e informações derivadas do ctDNA estão ligados ao estágio do tumor e ao risco pós-operatório de recidiva, o algoritmo desenvolvido será uma abordagem eficaz e inovadora tanto para o estadiamento quanto para o acompanhamento. -up de pacientes acometidos por câncer de pulmão, com implicações na tomada de decisão na prática clínica.