Previsão de Sobrevivência em Cancro Gástrico Avançado com Algoritmia Multimodal Supervisada

A variabilidade prognóstica nos doentes submetidos a radioterapia para cancro gástrico localmente avançado continua a representar um desafio clínico relevante, sobretudo em contextos onde a heterogeneidade tumoral e a subjetividade médica dificultam uma estratificação precisa do risco. Enquanto a imagiologia por tomografia computorizada (TC) se mantém como uma ferramenta acessível e amplamente utilizada na monitorização da doença, a sua interpretação isolada permanece limitada, sobretudo na ausência de integração com biomarcadores clínicos e conhecimento médico especializado. Neste enquadramento, a utilização de modelos de inteligência artificial que articulem dados multimodais com conhecimento médico prévio representa um avanço conceptual significativo na predição da sobrevivência global (OS) após radioterapia.

Sun et al.¹ desenvolveram o modelo PKSFnet (Prior Knowledge Supervised Fusion Network) precisamente com esse propósito, integrando três fontes de informação fundamentais: imagens TC multiescalares, dados clínicos de biomarcadores tumorais e características radiómicas obtidas por métodos supervisionados. Esta arquitetura permite uma análise mais profunda da heterogeneidade intratumoral e uma representação mais fiel da condição do doente, ao incorporar não apenas os dados brutos, mas também a lógica médica subjacente à sua interpretação.

A estrutura modular do PKSFnet inclui um extrator de características imagiológicas multiescalares (MsFnet), um módulo de conhecimento clínico baseado em perceptrões multicamada, e um mecanismo de fusão multidomínio supervisionado por atenção (MdFF). O modelo é alimentado por imagens segmentadas do volume alvo clínico (CTV), obtidas de TC realizadas em contexto de planeamento radioterapêutico, e por níveis séricos de antigénios tumorais como CEA, CA 19-9 e CA 72-4. O pré-processamento rigoroso destas imagens, incluindo a normalização espacial e intensiva amostragem via estratégia CAUS (Clustering Analysis Uniformized Sampling), assegura uma representação completa da variabilidade anatómica intra-doente.

No que respeita ao desempenho, o PKSFnet alcançou métricas notáveis nas duas principais tarefas previstas: na classificação segmentada de tempo de sobrevivência, obteve uma AUC de 83,97%, com sensibilidade de 75,6% e precisão de 87,5%; na tarefa de regressão de risco, os resultados indicam um C-index de 85,74% e uma razão de risco (HR) de 4,658, confirmando a robustez do modelo na diferenciação de doentes de alto e baixo risco. Estes valores superam os modelos unimodais e mesmo multimodais anteriores, incluindo frameworks como SaB-Net e MMF-FPN, sublinhando a importância da fusão semântica entre dados clínicos e imagiológicos.

Um aspeto central desta abordagem reside na incorporação explícita de conhecimento médico supervisionado. Ao contrário dos métodos exclusivamente data-driven, o PKSFnet utiliza características radiómicas selecionadas com base em relevância estatística (Lasso e T-test), assegurando que as regiões mais informativas da lesão são realçadas na representação final. Esta supervisão introduzida no processo de fusão, através do módulo de atenção SaFF, permite que o modelo atribua pesos diferenciados às componentes das imagens, aumentando a interpretabilidade e a fiabilidade clínica do sistema.

Não obstante os resultados promissores, persistem limitações importantes. O modelo foi treinado em dados de um único centro, com uma amostra relativamente reduzida (n=47 pacientes), o que levanta questões sobre a generalização em contextos clínicos distintos. A ausência de validação multicêntrica e a variabilidade interinstitucional nos protocolos de TC e biomarcadores são obstáculos a uma adoção clínica imediata. Ainda assim, a proposta de um modelo end-to-end, que incorpora conhecimento humano e dados heterogéneos de forma explícita, representa uma mudança de paradigma em relação à maioria das abordagens anteriores, dominadas por lógica puramente estatística ou black-box.

¹ Sun, L., Lan, Y., Sun, J., Ji, P., Ge, H., Cui, M., & Yuan, X. (2025). A prior knowledge-supervised fusion network predicts survival after radiotherapy in patients with advanced gastric cancer. Artificial Intelligence in Medicine, 103184.

Artigo relacionado

Inteligência Artificial Multimodal na Oftalmologia Computacional: O Papel Emergente dos Modelos Fundacionais Visuais e Linguísticos