Num estudo recente publicado na revista npj Precision Oncology em 2025, Fengling Li, Yani Wei e colaboradores apresentaram um modelo inovador de inteligência artificial (IA) capaz de prever quais pacientes com cancro da mama irão responder melhor à quimioterapia neoadjuvante (NAT). A investigação utilizou 1035 casos clínicos provenientes de quatro hospitais diferentes, analisando imagens histológicas completas dos tumores (whole-slide images) e combinando-as com dados clínicos e do sistema imunitário, criando um modelo integrado de previsão (IPM).
O que é quimioterapia neoadjuvante (NAT)?
A quimioterapia neoadjuvante (NAT) é um tipo de tratamento usado antes de uma cirurgia para tratar o cancro. Em vez de ser aplicado depois da remoção do tumor (como acontece na quimioterapia adjuvante), o objetivo da NAT é reduzir o tamanho do tumor e diminuir a extensão da doença, tornando possível a cirurgia ou aumentando as hipóteses de preservação de órgãos (por exemplo, evitar a remoção completa da mama).
Principais pontos sobre a NAT?
- Redução do tumor: ajuda a tornar tumores grandes ou localmente avançados operáveis.
- Avaliação da resposta ao tratamento: permite aos médicos ver como o tumor reage à quimioterapia, ajudando a personalizar terapias futuras.
- Benefício na sobrevivência: pacientes que obtêm uma resposta patológica completa (pCR), ou seja, nenhum tumor detectável após a NAT, têm geralmente melhor prognóstico.
- Possibilidade de testes clínicos: facilita ensaios clínicos para avaliar novos medicamentos, porque é possível medir a eficácia antes da cirurgia.
O estudo comparou três marcadores histológicos obtidos por deep learning: o TE-score (epitélio tumoral), o TS-score (estroma tumoral) e o TR-score (tumor completo). O TR-score revelou-se o mais eficiente na previsão da resposta à quimioterapia, com uma área sob a curva (AUC) superior aos outros scores. Os autores afirmam que:
O TR-score fornece uma caracterização robusta das interações tumor-estroma, essencial para compreender a heterogeneidade tumoral e prever respostas terapêuticas.
Quando integrado com variáveis clínicas, o modelo demonstrou uma precisão cerca de 10% superior a modelos clínico-patológicos convencionais. A incorporação de dados imunitários, como a infiltração de células do sistema imunitário no estroma tumoral, aumentou ainda mais o desempenho preditivo do modelo, reforçando a importância de considerar o microambiente tumoral. Li e Wei destacam que:
A integração de múltiplas fontes de dados fornece uma base sólida para decisões clínicas mais precisas e pode apoiar a personalização da quimioterapia, evitando tratamentos ineficazes e reduzindo efeitos secundários desnecessários.
Os resultados demonstram que este modelo pode ser aplicado de forma generalizável em múltiplos centros hospitalares e para diferentes subtipos moleculares de cancro da mama. Além disso, o estudo sugere que esta abordagem multimodal, combinando análise histológica profunda, dados clínicos e informação imunológica, poderá ser uma ferramenta valiosa não só na prática clínica, mas também na estratificação de pacientes para ensaios clínicos, permitindo tratamentos mais personalizados e com maior eficácia.
Em resumo, este trabalho evidencia que a IA pode transformar a forma como se planeia o tratamento do cancro, oferecendo previsões mais precisas, identificando os pacientes que mais beneficiarão de uma determinada terapia e contribuindo para uma medicina mais personalizada.
Foto de National Cancer Institute na Unsplash
