Uso de modelo baseado em inteligência artificial para detecção de metástases linfonodais em imagens de slides inteiros em câncer de bexiga
Estudo retrospectivo, multicêntrico e realizado na China demonstrou que o modelo baseado em inteligência artificial para detecção de metástases linfonodais em imagens de slides inteiros em câncer de bexiga possui potencial substancial para aplicações clínicas na melhoria da precisão e eficiência do trabalho dos patologistas
O câncer de bexiga é a segunda doença maligna geniturinária mais comum, o quarto câncer mais comum em homens e o oitavo tumor maligno mais comum em mulheres na população ocidental. Aproximadamente 30% dos pacientes no momento do diagnóstico apresentam uma doença músculo-invasiva; além disso, após cistectomia radical e dissecção linfonodal pélvica, quase 25% terão diagnóstico histopatológico de metástases linfonodais pélvicas. O estágio patológico do tumor primário da bexiga e a presença de metástases linfonodais são os determinantes essenciais da sobrevida em pacientes com câncer de bexiga submetidos a cistectomia radical.
O estadiamento linfonodal preciso é importante para o diagnóstico e tratamento de pacientes com câncer de bexiga. Atualmente, a radiologia (Tomografia Computadorizada – TC, Ressonância Magnética – RM e Tomografia por Emissão de Pósitrons – PET) é recomendada para o estadiamento nodal pré-operatório do câncer de bexiga. De acordo com as diretrizes atuais, o diagnóstico definitivo de metástases linfonodais. O procedimento diagnóstico tradicional para identificar metástases tumorais depende do exame de lâminas por patologistas, que é demorado e trabalhoso. Há um consenso que os métodos de diagnóstico atuais não são totalmente conclusivos. Nesse mês de março de 2023, foi publicado na The Lancet Oncology um estudo retrospectivo, multicêntrico e diagnóstico realizado na China que desenvolveu um Modelo de Diagnóstico de Metástases Linfonodais (LNMDM) em imagens de slides inteiras e avaliou o efeito clínico de um fluxo de trabalho assistido por inteligência artificial (IA).
Para o estudo, os pacientes de dois hospitais (Sun Yat-sen Memorial Hospital da Sun Yat-sen University e Zhujiang Hospital da Southern Medical University, Guangzhou,) foram designados antes de uma data limite para um conjunto de treinamento e após a data para conjuntos de validação interna para cada hospital. Pacientes de três outros hospitais (Third Affiliated Hospital of Sun Yat-sen University, Nanfang Hospital of Southern Medical University e Third Affiliated Hospital of Southern Medical University) foram incluídos como conjuntos de validação externa. Um subconjunto de validação de casos desafiadores dos cinco conjuntos de validação foi usado para comparar o desempenho entre o LNMDM e os patologistas, e dois outros conjuntos de dados (câncer de mama do conjunto de dados CAMELYON16 e câncer de próstata do Sun Yat-sen Memorial Hospital da Sun Yat-sen University) foram coletados para um teste multi-câncer. O endpoint primário foi a sensibilidade diagnóstica nos quatro grupos pré-especificados.
Entre o período de 1º de janeiro de 2013 e 31 de dezembro de 2021, foram incluídos no estudo 1012 pacientes com câncer de bexiga que tiveram cistectomia radical e dissecção de linfonodos pélvicos (8.177 imagens e 20.954 linfonodos). Para o desenvolvimento do LNMDM, foram incluídos 998 pacientes e 7991 imagens (n= 881 homens [88%]; 117 mulheres [12%]; idade média de 64 anos [IQR 56 – 72]; dados de etnia não disponíveis; 268 com metástases linfonodais [27%]). A área sob a curva (AUC) para o diagnóstico preciso do LNMDM variou de 0,978 (IC95% 0,960 – 0,996) a 0,998 (IC 95% 0,996 – 1,000) nos cinco conjuntos de validação. As comparações de desempenho entre o LNMDM e os patologistas mostraram que a sensibilidade diagnóstica do modelo (0,983 – IC 95% 0,941 – 0,998) excedeu substancialmente a de ambos os patologistas junior (0,906 – IC 95% 0,871 – 0, 934) e patologistas sênior (0,947 – IC 95% 0,919 – 0,968), e que a assistência de IA melhorou a sensibilidade da análise de patologistas junior (de 0,906 sem IA para 0,953 com IA) e sênior (de 0,947 a 0,986). No teste multicâncer, o LNMDM manteve uma AUC de 0,943 (IC 95% 0,918 – 0,969) em imagens de câncer de mama e 0,922 (IC 95% 0,884 – 0,960) em imagens de câncer de próstata. Em 13 pacientes, o LNMDM detectou micrometástases tumorais que não foram detectadas por patologistas que classificaram previamente os resultados desses pacientes como negativos.
Mediante a esses achados, os autores concluem que o modelo diagnóstico baseado em inteligência artificial desenvolvido por eles mostrou grande potencial para aplicação clínica, para ajudar a evitar erros de diagnóstico e melhorar a precisão e eficiência dos diagnósticos por patologistas em pacientes com câncer de bexiga. O modelo se saiu bem na detecção de metástases linfonodais, particularmente micrometástases.
Referência:
1 – WU, Shaoxu et al. Artificial intelligence-based model for lymph node metastases detection on whole slide images in bladder cancer: a retrospective, multicentre, diagnostic study. The Lancet Oncology, 2023.
2 – PERERA, Marlon et al. Pelvic lymph node dissection during radical cystectomy for muscle-invasive bladder cancer. Nature Reviews Urology, v. 15, n. 11, p. 686-692, 2018.
3 – PAPALIA, Rocco et al. Diffusion‐weighted magnetic resonance imaging in patients selected for radical cystectomy: detection rate of pelvic lymph node metastases. BJU international, v. 109, n. 7, p. 1031-1036, 2012.
