Células e tecidos ao redor de um tumor de câncer de mama podem conter informações cruciais sobre como os pacientes responderão ao tratamento, de acordo com um novo estudo da Universidade Johns Hopkins.

A pesquisa representa um passo significativo em direção ao desenvolvimento de ferramentas de inteligência artificial que podem ajudar os oncologistas a determinar prognósticos com mais precisão e decidir quais tratamentos podem ser mais eficazes caso a caso.

"Quando conseguimos identificar elementos recorrentes nos microambientes — células cancerígenas, tipos específicos de células não cancerígenas e seus padrões de organização espacial — eles são como bandeirinhas dizendo: 'Volte sua atenção para cá, podemos ser importantes'", disse o autor sênior Jeremias Sulam , professor assistente de engenharia biomédica que estuda aprendizado de máquina na Universidade Johns Hopkins. "Nosso estudo visa identificar padrões e biomarcadores que possam nos ajudar a entender como a doença progride."

A pesquisa foi capa da edição de março da revista Patterns . Embora os pesquisadores tenham enfatizado que a tecnologia ainda está longe de aprimorar diretamente o atendimento aos pacientes, eles disseram que ela é muito promissora para aprimorar os tratamentos do câncer de mama.

Para compreender melhor o ambiente tumoral, os pesquisadores criaram um modelo interpretável de aprendizado de máquina que analisou imagens de tecidos microscópicos e amostras de biópsia de 579 pacientes com câncer de mama submetidas a tratamentos convencionais, como quimioterapia. O modelo buscou padrões no tecido dentro e ao redor dos tumores, observando a posição de cada célula em relação aos tumores e suas interações com outras células vizinhas.

O algoritmo encontrou 66 padrões celulares distintos nos microambientes tumorais e agrupou pacientes com padrões semelhantes em sete grupos, alguns dos quais acabaram tendo melhores resultados prognósticos do que outros.

Os pacientes do grupo com os melhores resultados de sobrevida tinham um aspecto em comum: uma mistura de três células diferentes (CK8-18high, CXCL12high e CK+CXCL12+). Já os pacientes com células tumorais HER2+ autoagregadas apresentaram os piores resultados de tratamento — o que não é surpreendente, mas é reconfortante, disseram os pesquisadores, pois o gene HER2 tem sido associado a cânceres de mama agressivos e baixas taxas de sobrevida.

Pacientes com câncer de mama triplo negativo que apresentavam um padrão semelhante de células imunes bem organizadas ao redor de seus tumores apresentaram taxas de sobrevivência melhores do que outras com a mesma doença. Os resultados sugerem que pode haver informações cruciais nesses padrões que os oncologistas poderiam usar para prognósticos, disseram os pesquisadores.

Como os pesquisadores desenvolveram um modelo de aprendizado de máquina interpretável, eles conseguiram determinar os elementos específicos que compunham os padrões nos microambientes.

A maioria dos algoritmos modernos são como caixas-pretas — eles podem agrupar ou classificar dados, mas são difíceis de interpretar e não conseguem dizer quais partes dos dados estão direcionando as decisões do algoritmo, disseram os pesquisadores. É como jogar um monte de ingredientes de sopa em uma panela e não saber quais são os mais importantes para o sabor. Essa nova metodologia permitiu que os pesquisadores voltassem aos resultados e identificassem exatamente quais características os influenciavam.

"Estamos desenvolvendo uma caixa de ferramentas que você pode usar sempre que tiver um conjunto de dados enorme e não quiser começar com uma hipótese explícita", disse a primeira autora, Zhenzhen Wang, doutoranda em engenharia biomédica na Universidade Johns Hopkins. "Normalmente, seria necessário elaborar um estudo para perguntar se um padrão específico de células é importante e verificar se a resposta é sim ou não. Mas, com nosso modelo, podemos economizar tempo fazendo perguntas abertas sobre quais padrões são importantes ao tentar entender como os pacientes responderão ao tratamento ou terão uma melhor chance de sobrevivência."

Sulam acrescentou: "Assim que identificarmos os padrões, oncologistas e cientistas de laboratório poderão acompanhar para ver quais mecanismos podem estar por trás desses padrões, o que pode, por sua vez, fornecer orientações sobre como intervir com um tratamento mais direcionado."

No futuro, o grupo de pesquisa planeja usar essa metodologia para outros tipos de tecnologias de imagem e para encontrar fatores que causam outros tipos de câncer.

Outros autores incluem Cesar Santa-Maria , professor associado de oncologia, e Aleksander Popel , professor de engenharia biomédica e oncologia, ambos da Faculdade de Medicina da Universidade Johns Hopkins.

O trabalho foi apoiado pelo financiamento do subsídio R01CA138264 do National Institutes of Health e do NSF CAREER Award CCF 2239787.