Automatizar a análise das lâminas de amostras de tecido de câncer de pulmão aumenta a precisão da classificação do tumor e os prognósticos de pacientes, de acordo com um estudo publicado na revista Nature Communications, no dia 16 de agosto.

A pesquisa da Faculdade de Medicina da Universidade de Stanford indicou que computadores, quando ajustados para tal, podem ser mais exatos no que se refere a avaliação de tecidos do câncer pulmonar do que o médico patologista –  profissional habilitado a dizer se um tumor é maligno ou benigno, podendo indicar ainda qual o prognóstico (expectativa de evolução).

Conforme o estudo, a forma de aprendizagem/adaptação da máquina para identificar características críticas relacionadas com a doença diferencia com precisão dois tipos de cânceres de pulmão. Também prevê tempos de sobrevida de pacientes melhor do que a abordagem padrão de patologistas sobre classificação de tumores por grau e estágio.

Embora o estudo atual se concentre no câncer de pulmão, os pesquisadores acreditam que uma abordagem similar poderia ser usada para muitos outros tipos de câncer.

Michael Snyder, professor e diretor do Departamento de Genética em Stanford, afirmou que “a patologia como é praticada hoje, é muito subjetiva”. E citou exemplo: “dois patologistas altamente qualificados que avaliam a mesma lâmina vão concordar apenas em cerca de 60% das vezes. Esta abordagem [computadorizada] substitui a subjetividade com medições sofisticadas e quantitativas que nós acreditamos serem capazes de melhorar os resultados dos pacientes”.

“Em última análise, esta técnica vai nos dar mais compreensão sobre os mecanismos moleculares do câncer, ligando características patológicas importantes com os dados de resultados”, disse Snyder.

Durante décadas, os patologistas avaliaram a gravidade, ou “grau” do câncer, usando um microscópio óptico para examinar os tecidos tumorais em lâminas de vidro. Quanto mais anormal o tecido do tumor parecia – em termos de tamanho celular e forma, entre outros indicadores -, maior era o grau. O estágio da doença também é atribuído com base em se e onde o câncer se espalhou pelo corpo.

Muitas vezes grau e estágio do câncer podem ser usados para prever como o paciente será tratado. Este sistema de classificação nem sempre funciona bem para o câncer de pulmão, em particular para os subtipos adenocarcinoma e carcinoma de células escamosas, que podem ser difíceis de distinguir. Além disso, o estágio e o grau do câncer de um paciente nem sempre se correlaciona com o seu prognóstico, que pode variar. Em torno de 50% de casos de adenocarcinoma em estágio 1, por exemplo, morrem dentro de cinco anos após o diagnóstico, mas cerca de 15% sobrevivem mais de 10 anos.

Os pesquisadores usaram 2.186 imagens a partir de um banco de dados dos EUA chamado Cancer Genome Atlas, obtidas de pacientes tanto com adenocarcinoma ou com carcinoma de células escamosas. As informações também contém o grau e estágio atribuído a cada câncer e quanto tempo cada paciente sobreviveu após o diagnóstico.

Os investigadores usaram as imagens para “treinar” um programa de computador para identificar muitas características específicas do câncer além das que podem ser detectadas pelo olho humano – cerca de 10 mil características individuais, contra várias centenas geralmente avaliadas por patologistas. “Estas características não incluíram apenas o tamanho da célula e a forma, mas também a forma e textura dos núcleos das células e as relações espaciais entre as células tumorais vizinhas”, explica o artigo da Universidade de Stanford.

“Começamos o estudo sem qualquer ideia preconcebida, e deixamos o software determinar quais características são importantes”, explicou Michael Snyder. “Em retrospectiva, tudo faz sentido. E os computadores podem avaliar até mesmo pequenas diferenças entre as milhares de amostras, muitas vezes com mais precisão e rapidez do que um ser humano”.

Patologia do Século XXI

Os investigadores se detiveram em um subconjunto de características celulares identificado pelo software. Este grupo pode ser melhor utilizado para diferenciar as células tumorais a partir dos tecidos circundantes (não cancerosos), identificar o subtipo do câncer, e prever quanto tempo cada paciente pode sobreviver após o diagnóstico.

Em seguida, a equipe confirmou a capacidade do software de distinguir com precisão os pacientes que sobreviveram pouco tempo daqueles que viveram significativamente mais tempo em um outro banco de dados (Stanford Tissue Microarray) de 294 pacientes com câncer de pulmão.

Identificar características físicas previamente desconhecidas que podem prever gravidade do câncer e sobrevivência também é capaz de levar a uma maior compreensão dos processos moleculares de início  e progressão do câncer.
Michael Snyder afirma que o sistema de aprendizagem da máquina descrito no estudo será capaz de complementar os campos emergentes da genética na oncologia e setores que estudam as mutações no DNA e os padrões de expressão de genes e proteínas que levam à doença. “Lançamos este estudo porque queríamos começar a unir as imagens aos estudos na nossa área para entender melhor os processos do câncer em um nível molecular”, declarou o diretor do Departamento de Genética da Universidade de Stanford. “Isso traz a patologia do câncer para o século XXI e tem o potencial de ser uma ferramenta formidável para os pacientes e seus médicos”, concluiu.

Acesse o estudo Predicting non-small cell lung cancer prognosis by fully automated microscopic pathology image features (em inglês).