Biomarcadores de Deep Learning em TC: Superando o RECIST na Monitorização da Imunoterapia

A introdução dos inibidores de checkpoint imunitário (ICI) revolucionou o tratamento do cancro do pulmão de células não pequenas (NSCLC) avançado, mas trouxe o desafio de avaliar precocemente a eficácia terapêutica. Os critérios convencionais de avaliação de resposta em tumores sólidos (RECIST 1.1), baseados na variação linear do diâmetro tumoral, frequentemente revelam-se insuficientes para capturar fenómenos como a pseudoprogressão ou respostas duradouras em doentes com estabilização radiológica inicial. Neste contexto, o estudo de Sako et al.¹ apresenta o Serial Computed Tomography Response Score (CTRS), um biomarcador de imagem baseado em deep learning que utiliza a análise automatizada de exames de TC pré-tratamento e de seguimento, às 12 semanas, para prever a sobrevivência global (OS) com precisão significativamente superior à dos métodos atuais.

O desenvolvimento do CTRS assentou numa arquitetura de rede neural convolucional (CNN) treinada em dados de rotina clínica (n=1.042) e validada em três coortes independentes, incluindo dados de ensaios clínicos (n=450). A grande inovação reside na capacidade do algoritmo de extrair características radiómicas complexas e mudanças texturais subtis que escapam à volumetria convencional. Em termos de performance, o CTRS demonstrou uma superioridade estatisticamente significativa na predição de sobrevivência aos 2 anos, alcançando uma Área Sob a Curva (AUC) de 0,74 na coorte de validação, em comparação com 0,62 pelo RECIST e 0,63 pela variação do volume tumoral (TVC). Mais relevante para a prática clínica é o facto do CTRS ter identificado um grupo de “respondedores profundos” que, apesar de classificados como “doença estável” pelo RECIST, apresentaram um prognóstico excelente, comparável ao dos doentes com resposta parcial radiológica.

Do ponto de vista prognóstico, o modelo demonstrou ser um preditor independente de sobrevivência, mesmo após o ajuste por variáveis críticas, como o estado de performance (ECOG), a carga tabágica e, crucialmente, os níveis de expressão de PD-L1. Verificou-se que doentes com um CTRS elevado (indicativo de resposta favorável) apresentaram um Hazard Ratio (HR) de 0,33 (IC 95%: 0,26–0,41) em comparação com aqueles com scores baixos. Esta capacidade de estratificação manteve-se consistente entre diferentes tipos histológicos (adenocarcinoma e carcinoma espinocelular) e linhas de tratamento, sugerindo que as assinaturas de imagem extraídas pela IA capturam mudanças biológicas fundamentais na interface tumor-microambiente, independentes dos biomarcadores moleculares tradicionais.

A aplicabilidade deste sistema no mundo real é reforçada pela sua natureza totalmente automatizada, que elimina a variabilidade interobservador inerente à medição manual de lesões-alvo. Ao fornecer uma estimativa quantitativa e objetiva da probabilidade de sobrevivência logo às 12 semanas de tratamento, o CTRS posiciona-se como uma ferramenta de apoio à decisão, capaz de identificar precocemente doentes que não estão a beneficiar da imunoterapia, permitindo a transição célere para estratégias de segunda linha ou para ensaios clínicos. Em conclusão, o trabalho de Sako et al.¹ demonstra que a evolução da oncologia torácica passa pela transição de métricas geométricas simples para biomarcadores de imagem dinâmicos e multidimensionais, onde a inteligência artificial atua como um catalisador para uma medicina personalizada mais preditiva e menos reativa.

¹ Sako, C., Kurland, B. F., Schmidt, T. G. et al. Deep-learning serial CT prediction of survival in immunotherapy-treated non-small cell lung cancer. JAMA Netw Open.