Aplicação de Radiómica Baseada em Ressonância Magnética Multimodal na Classificação Histológica e Avaliação Prognóstica do Cancro da Mama

Para além da estadiação TNM, a gestão atual do cancro da mama baseia-se em características patológicas convencionais que categorizam a doença em três subtipos moleculares, cada um com implicações prognósticas significativas na prática clínica: cancro da mama positivo para o recetor 2 do fator de crescimento epidérmico humano (HER2), luminal (positivo para recetores hormonais e negativo para HER2) e cancro da mama triplo negativo. A sobreexpressão ou amplificação do HER2 é observada em 10-15% dos casos de cancro da mama. Este fenómeno está frequentemente correlacionado com um comportamento tumoral mais agressivo, ao mesmo tempo que demonstra uma maior responsividade a terapias dirigidas ao HER2. No entanto, a utilização de fármacos anti-HER2 altamente eficazes pode melhorar significativamente os resultados de sobrevivência destes doentes. Além disso, o estado de expressão do HER2 é crítico na determinação da necessidade de terapia dirigida. Por conseguinte, a avaliação pré-operatória do estado de expressão do HER2 tem importantes implicações terapêuticas. Atualmente, os métodos clínicos para avaliar o estado do HER2 no cancro da mama antes da cirurgia incluem testes de imuno-histoquímica (IHC) e medições de hibridização in situ por fluorescência (FISH) realizadas em espécimes de biópsia com agulha grossa. No entanto, estas técnicas de amostragem por biópsia têm limitações inerentes, incluindo viés de amostragem e incapacidade de representar totalmente a heterogeneidade intratumoral. Adicionalmente, o procedimento de biópsia pode ser desconfortável e acarreta certos riscos para os doentes. A heterogeneidade tumoral refere-se geralmente às variações na angiogénese, metabolismo, expressão genética e outras características biológicas entre tumores. A heterogeneidade intratumoral (ITH) pode manifestar-se como diferenças de sinal em imagens radiológicas a nível macro. Os investigadores hipotetizaram que existem diferenças significativas nas características biológicas e no comportamento entre os cancros da mama HER2-positivos (HER2+) e HER2-negativos (HER2-), permitindo a distinção destes dois tipos de tumores através da identificação de características de imagem específicas que refletem a ITH.

A ressonância magnética dinâmica com contraste (DCE-MRI) é uma modalidade de imagem eficaz que fornece informação temporal sobre a dinâmica dos agentes de contraste em lesões suspeitas, mantendo uma resolução espacial aceitável. É particularmente sensível na deteção de lesões de cancro da mama, especialmente em tecido mamário denso. A DCE-MRI pode refletir indiretamente a proliferação vascular tumoral anormal através das características hemodinâmicas das lesões. A radiómica é uma tecnologia emergente que envolve a extração de características quantitativas e reproduzíveis de imagens médicas utilizando modalidades sofisticadas de alto débito, muitas vezes difíceis de identificar ou quantificar visualmente. Estas características, que podem estar ligadas a doenças específicas, são analisadas utilizando algoritmos estatísticos ou de aprendizagem automática (ML) para criar modelos preditivos para diagnóstico tumoral, classificação, avaliação de eficácia e previsão de prognóstico. A ML tem duas vantagens importantes em relação aos modelos estatísticos tradicionais. O objetivo é reduzir o tempo de decisão durante o diagnóstico e geralmente alcançar uma maior precisão diagnóstica. Como demonstrado no diagnóstico do cancro da mama, a ML pode melhorar significativamente a previsão do risco de cancro através da identificação de padrões complexos em grandes quantidades de dados clínicos. Apesar do grande potencial da ML, esta ainda enfrenta vários obstáculos na sua aplicação clínica. Um grande desafio é a falta de interpretabilidade - muitos modelos de ML funcionam como "caixas negras", dificultando a compreensão e confiança dos clínicos nos seus processos de tomada de decisão. Além disso, o desempenho do modelo depende fortemente da qualidade e representatividade dos dados de treino. Os métodos de ML frequentemente requerem conjuntos de dados maiores do que os estudos clínicos tradicionais.

Assim, este estudo teve como objetivo desenvolver um modelo de ML baseado em radiómica que pudesse prever o estado do HER2 dos cancros da mama de forma não invasiva utilizando imagens de DCE-MRI. Adicionalmente, o algoritmo Shapley Additive Explanation (SHAP) foi empregue para analisar a contribuição das variáveis incluídas no modelo, fornecendo informações valiosas para a formulação de planos de tratamento pré-operatório mais precisos para doentes com cancro da mama.