O câncer de pulmão é uma forma comum e frequentemente agressiva de câncer. Como é difícil para os médicos detectá-lo logo no início, as pessoas com câncer de pulmão precisam receber a melhor e mais direcionada terapia para aumentar a probabilidade de uma visão positiva. A imunoterapia é uma opção, mas como os médicos podem saber quem se beneficiará?

De acordo com o National Cancer Institute, pulmão e brônquios câncer é o segundo mais comum tipo de câncer entre as pessoas nos Estados Unidos, respondendo por 12,9% de todos os novos casos de câncer.

Essa forma de câncer geralmente não apresenta sintomas visíveis nos estágios iniciais, o que pode significar que os médicos não conseguem detectá-lo primeiro. Isso significa que as perspectivas após o tratamento podem não ser tão boas quanto para outras formas de câncer.

Para garantir os resultados mais favoráveis ??para as pessoas com câncer de pulmão , os profissionais de saúde devem escolher o melhor tipo de tratamento para cada indivíduo. Isso, no entanto, pode ser complicado, pois muitas vezes é difícil dizer qual pessoa se beneficiará mais de um tratamento específico.

Também pode ser difícil para um médico determinar como os novos tipos de tratamentos benéficos, como a imunoterapia, serão para um indivíduo. Ao contrário da quimioterapia , que envolve o uso de drogas específicas para atacar e destruir as células cancerígenas, a imunoterapia atua aumentando a resposta imune de uma pessoa contra tumores cancerígenos.

Agora, uma equipe liderada por pesquisadores da Case Western Reserve University, em Cleveland, OH - em colaboração com cientistas de seis outras instituições - desenvolveu um novo modelo de inteligência artificial (IA). O modelo permite que os profissionais de saúde descubram quais pessoas com câncer de pulmão se beneficiariam mais com a imunoterapia.

Os investigadores explicam seu método e relatam suas descobertas em um estudo publicado na revista Cancer Immunology Research (parte do artigo traduzido no final deste artigo).

"Embora a imunoterapia tenha mudado todo o ecossistema do câncer", explica o coautor do estudo Anant Madabhushi ", ela também permanece extremamente cara - cerca de US $ 200.000 por paciente, por ano.

"Isso faz parte da toxicidade financeira que acompanha o câncer e resulta em cerca de 42% de todos os pacientes com câncer recém-diagnosticados perdendo suas economias em um ano após o diagnóstico", acrescenta. Madabhushi também observa que a nova ferramenta na qual ele e seus colegas estão trabalhando pode ajudar médicos e pacientes a decidir qual terapia lhes convém melhor e evitar gastos desnecessários.

Novo modelo pode prever resultados

Madabhushi explica que ele e seus colegas desenvolveram seu novo modelo com base em descobertas recentes que identificaram os sinais que mostram quais tumores cancerígenos estão respondendo ao tratamento.

Em um estudo anterior , os pesquisadores descobriram que, embora os médicos normalmente pensassem que o tamanho do tumor era um bom indicador de que uma abordagem terapêutica está ou não funcionando, analisar apenas essa característica pode ser enganoso.

Em vez disso, diz Madabhushi, "descobrimos que a mudança de textura é um melhor indicador de se a terapia está funcionando".

"Às vezes, por exemplo, o nódulo pode parecer maior após a terapia por outro motivo, digamos, um vaso quebrado dentro do tumor - mas a terapia está realmente funcionando", explica ele. "Agora, temos uma maneira de saber isso."

Para desenvolver o novo modelo de IA, a equipe usou os dados da tomografia computadorizada (TC) de 50 pessoas com câncer de pulmão. Isso lhes permitiu estabelecer um método matemático capaz de identificar qualquer alteração no tamanho e textura ocorrendo no tumor após a exposição a dois a três ciclos de imunoterapia.

O método encontrou padrões indicando que alterações específicas nos tumores estavam associadas a uma resposta positiva ao tratamento com imunoterapia, bem como a maiores taxas de sobrevida dos pacientes.

Este estudo destacou mais uma vez que os tumores de câncer de pulmão que mostram as mudanças mais notáveis ??na textura também são os que melhor respondem à imunoterapia.

" Esta é uma demonstração do valor fundamental do programa, que nosso modelo de aprendizado de máquina poderia prever a resposta em pacientes tratados com diferentes inibidores do ponto de verificação imune. Estamos lidando com um princípio biológico fundamental".

Co-autor do estudo Prateek Prasanna

No início deste ano, o co-autor Prateek Prasanna recebeu um Prêmio de Mérito da Sociedade Americana de Oncologia Clínica Conquer Cancer Foundation 2019 por pesquisas associadas a este estudo.

No futuro, a equipe planeja testar ainda mais seu método de IA em mais tomografias de outros locais e de pessoas tratadas com diferentes agentes de imunoterapia.

Tradução de parte do Artigo:

Alterações nas características radiômicas da TC associadas à distribuição de linfócitos preveem a sobrevida e resposta gerais à imunoterapia no câncer de pulmão de células não pequenas

Mohammadhadi Khorrami , Prateek Prasanna , Amit Gupta , Pradnya Patil , Priya D. Velu , Rajat Thawani , Germán Corredor , Mehdi Alilou , Kaustav Bera , Pingfu Fu , Michael Feldman , Vamsidhar Velcheti e Anant Madabhushi

DOI: 10.1158 / 2326-6066.CIR-19-0476

Abstrato

Nenhum biomarcador preditivo pode identificar de maneira robusta pacientes com câncer de pulmão de células não pequenas (NSCLC) que se beneficiarão das terapias com inibidores do ponto de verificação imune (ICI). Aqui, em um ambiente de aprendizado de máquina, comparamos as alterações ("delta") na textura radiômica (DelRADx) dos padrões de tomografia computadorizada (CT), tanto dentro como fora dos nódulos tumorais, antes e após 2-3 ciclos de terapia com ICI. Descobrimos que os padrões DelRADx podem prever resposta à terapia com ICI e sobrevida global (OS) em pacientes com CPCNP. Analisamos retrospectivamente os dados adquiridos de 139 pacientes com NSCLC em duas instituições, que foram divididos em um conjunto de descobertas (D1 = 50) e dois conjuntos de validação independentes (D2 = 62, D3 = 27). Descritores de textura intranodular e perinodular foram extraídos e as diferenças relativas foram computadas. Um classificador de análise discriminante linear (LDA) foi treinado com 8 recursos DelRADx para prever a resposta derivada de RECIST (critérios de avaliação de resposta em tumores sólidos). Foi determinada a associação do escore de risco delta-radiômico (DRS) com a OS. Também foi avaliada a associação das características de DelRADx com a densidade de linfócitos infiltrantes de tumores (TIL) nas biópsias de diagnóstico (n = 36). O classificador LDA produziu uma área sob a curva (AUC) de 0,88 ± 0,08 na distinção entre respondedores e não respondedores em D1, 0,85 e 0,81 em D2 e ??D3. O DRS foi associado à OS (taxa de risco: 1,64, IC 95%: 1,22 - 2,21, P = 0,0011, índice C = 0,72). As características peritumorais de Gabor foram associadas à densidade de TILs em amostras de biópsia de diagnóstico. Nossos resultados mostram que DelRADx pode ser usado para identificar respostas funcionais precoces em pacientes com CPNPC.

• Recebido em 24 de junho de 2019.
• Revisão recebida em 4 de setembro de 2019.
• Aceito em 5 de novembro de 2019.

• Direitos autorais © 2019, American Association for Cancer Research.