O carcinoma ductal in situ (DCIS) é um tipo de tumor pré-invasivo que às vezes progride para uma forma altamente mortal de câncer de mama. Ele é responsável por cerca de 25 por cento de todos os diagnósticos de câncer de mama.
Como é difícil para os clínicos determinar o tipo e o estágio do DCIS, os pacientes com DCIS são frequentemente tratados em excesso. Para resolver isso, uma equipe interdisciplinar de pesquisadores do MIT e ETH Zurich desenvolveu um modelo de IA que pode identificar os diferentes estágios do DCIS a partir de uma imagem de tecido mamário barata e fácil de obter. O modelo deles mostra que tanto o estado quanto o arranjo das células em uma amostra de tecido são importantes para determinar o estágio do DCIS.
Como essas imagens de tecido são tão fáceis de obter, os pesquisadores conseguiram construir um dos maiores conjuntos de dados desse tipo, que eles usaram para treinar e testar seu modelo. Quando eles compararam suas previsões com as conclusões de um patologista, eles encontraram concordância clara em muitos casos.
No futuro, o modelo poderá ser usado como uma ferramenta para ajudar os médicos a agilizar o diagnóstico de casos mais simples sem a necessidade de testes trabalhosos, dando-lhes mais tempo para avaliar casos em que não está claro se o CDIS se tornará invasivo.
“Demos o primeiro passo para entender que deveríamos estar observando a organização espacial das células ao diagnosticar DCIS, e agora desenvolvemos uma técnica que é escalável. A partir daqui, realmente precisamos de um estudo prospectivo. Trabalhar com um hospital e levar isso até a clínica será um importante passo à frente”, diz Caroline Uhler, professora do Departamento de Engenharia Elétrica e Ciência da Computação (EECS) e do Instituto de Dados, Sistemas e Sociedade (IDSS), que também é diretora do Centro Eric e Wendy Schmidt no Broad Institute do MIT e Harvard e pesquisadora do Laboratório de Sistemas de Informação e Decisão (LIDS) do MIT.
Uhler, coautor correspondente de um artigo sobre esta pesquisa, é acompanhado pelo autor principal Xinyi Zhang, um estudante de pós-graduação no EECS e no Eric and Wendy Schmidt Middle; coautor correspondente GV Shivashankar, professor de mecogenômica na ETH Zurich em conjunto com o Instituto Paul Scherrer; e outros no MIT, ETH Zurich e na Universidade de Palermo na Itália. A pesquisa de acesso aberto foi publicado em 20 de julho em Comunicações da Natureza.
Combinando imagens com IA
Entre 30 e 50 por cento dos pacientes com DCIS desenvolvem um estágio altamente invasivo do câncer, mas os pesquisadores não conhecem os biomarcadores que podem dizer ao médico quais tumores irão progredir.
Pesquisadores podem usar técnicas como coloração multiplexada ou sequenciamento de RNA de célula única para determinar o estágio do DCIS em amostras de tecido. No entanto, esses testes são muito caros para serem realizados amplamente, explica Shivashankar.
Em trabalhos anteriores, esses pesquisadores mostraram que uma técnica de imagem barata, conhecida como coloração de cromatina, poderia ser tão informativa quanto o sequenciamento de RNA de célula única, muito mais caro.
Para esta pesquisa, eles levantaram a hipótese de que a combinação desta única coloração com um modelo de aprendizado de máquina cuidadosamente projetado poderia fornecer as mesmas informações sobre o estágio do câncer que técnicas mais caras.
Primeiro, eles criaram um conjunto de dados contendo 560 imagens de amostras de tecido de 122 pacientes em três estágios diferentes da doença. Eles usaram esse conjunto de dados para treinar um modelo de IA que aprende uma representação do estado de cada célula em uma imagem de amostra de tecido, que ele usa para inferir o estágio do câncer de um paciente.
No entanto, nem todas as células são indicativas de câncer, então os pesquisadores tiveram que agregá-las de uma forma significativa.
Eles projetaram o modelo para criar grupos de células em estados semelhantes, identificando oito estados que são marcadores importantes de DCIS. Alguns estados celulares são mais indicativos de câncer invasivo do que outros. O modelo determina a proporção de células em cada estado em uma amostra de tecido.
A organização importa
“Mas no câncer, a organização das células também muda. Descobrimos que apenas ter as proporções de células em cada estado não é suficiente. Você também precisa entender como as células são organizadas”, diz Shivashankar.
Com essa percepção, eles projetaram o modelo para considerar a proporção e a disposição dos estados das células, o que aumentou significativamente sua precisão.
“O interessante para nós foi ver o quanto a organização espacial importa. Estudos anteriores mostraram que células que estão perto do ducto mamário são importantes. Mas também é importante considerar quais células estão perto de quais outras células”, diz Zhang.
Quando eles compararam os resultados do modelo com amostras avaliadas por um patologista, houve concordância clara em muitas instâncias. Em casos que não eram tão claros, o modelo poderia fornecer informações sobre características em uma amostra de tecido, como a organização de células, que um patologista poderia usar na tomada de decisões.
Este modelo versátil também pode ser adaptado para uso em outros tipos de câncer, ou mesmo condições neurodegenerativas, uma área que os pesquisadores também estão explorando atualmente.
“Mostramos que, com as técnicas certas de IA, essa simples coloração pode ser muito poderosa. Ainda há muito mais pesquisa a ser feita, mas precisamos levar a organização das células em consideração em mais dos nossos estudos”, diz Uhler.
Esta pesquisa foi financiada, em parte, pelo Centro Eric e Wendy Schmidt do Broad Institute, ETH Zurich, Instituto Paul Scherrer, Fundação Nacional Suíça de Ciências, Institutos Nacionais de Saúde dos EUA, Escritório de Pesquisa Naval dos EUA, Clínica Jameel do MIT para Aprendizado de Máquina e Saúde, Laboratório de IA Watson do MIT-IBM e um Prêmio Simons Investigator.