Dados do Trabalho

Título

INTELIGENCIA ARTIFICIAL NA PREVISAO DE RESPOSTA A QUIMIOTERAPIA NEOADJUVANTE EM PACIENTES COM CANCER DE BEXIGA MUSCULO-INVASIVO

Introdução e Objetivo

O câncer de bexiga musculo-invasivo (CBMI) possui altas taxas de morbidade e mortalidade. O tratamento primário para CBMI é a cistectomia radical (CR), muitas vezes precedida de quimioterapia neoadjuvante (QTN). No entanto, nem todos os pacientes respondem à QTN e alguns podem sofrer efeitos adversos significativos sem benefício clínico. A capacidade de prever a resposta à QTN é de suma importância para otimizar a estratégia de tratamento. O avanço das tecnologias de inteligência artificial (IA) apresenta uma oportunidade para criar modelos preditivos para avaliar a resposta à QTN em pacientes com CBMI. O objetivo do estudo é aplicar um algoritmo de IA para prever a resposta à QTN em pacientes com CBMI.

Método

25 pacientes com CBMI foram submetidos a CR após QTN baseada em platina. 9 responderam a QTN e 16 não. Os espécimes correspondentes à ressecção transuretral (RTU) da lesão primária foram processados habitualmente e corados por H&E. Desenvolvemos um algoritmo de IA utilizando imagens histológicas fotografadas aleatoriamente em aumento de 100 vezes de pacientes que responderam ou não responderam a QTN. As imagens separadas para o grupo do treinamento eram rotuladas como “resposta positiva (RP)” ou “resposta negativa (RN)”. Das lâminas de RTU de bexiga, foram geradas no total 537 imagens (408 RN e 129 RP). As imagens foram separadas em grupo treinamento e grupo teste. 15% das imagens foram destinadas ao grupo teste (61 RN e 19 RP) e o restante foi usado para treinamento (347 RN e 110 RP). O modelo de regressão logística foi implementado utilizando a biblioteca scikit-learn do Python. O modelo foi treinado com o conjunto de dados de treinamento e as previsões foram feitas no conjunto do grupo teste. A performance do modelo foi avaliada  em termos de acurácia, sensibilidade e especificidade.  

Resultados

O modelo alcançou uma acurácia notável de 95,65% no conjunto de validação durante o treinamento. A sensibilidade do modelo foi de 47,37%, enquanto a especificidade foi de 75,41%. Quando aplicado ao conjunto de teste, o modelo demonstrou uma acurácia de 68,75%. Embora essa acurácia seja menor do que no conjunto de validação, é importante ressaltar que o conjunto de teste geralmente é muito mais desafiador, uma vez que o modelo não teve nenhuma exposição a esses dados durante o treinamento e simula imagens do mundo real.

Conclusão

Os resultados obtidos nesse estudo destacam a viabilidade e o potencial da IA para aprimorar a avaliação da resposta à QTN em pacientes com CBMI.