Modelo de IA Detecta Sarcopenia em Pacientes com Câncer Gástrico com AUC de 0,89

Sarcopenia — a perda progressiva de força, massa muscular esquelética e desempenho físico — é tanto uma marca registrada do envelhecimento quanto um poderoso preditor independente de baixa sobrevida em pacientes com câncer gástrico. No entanto, o diagnóstico convencional exige a realização conjunta de teste de força de preensão, medição da velocidade da marcha e quantificação muscular por TC, um processo trabalhoso que limita seu uso clínico rotineiro. Este estudo, publicado no Journal of Cachexia, Sarcopenia and Muscle, teve como objetivo desenvolver e validar um modelo de IA multimodal totalmente automatizado, capaz de identificar sarcopenia e sarcopenia grave diretamente a partir de tomografias computadorizadas pré-operatórias combinadas com variáveis clínicas básicas.

O estudo incluiu 1.067 pacientes com câncer gástrico confirmado por patologia, provenientes de dois centros médicos chineses (978 do Centro 1 e 89 do Centro 2). A coorte era composta por 73,3% de homens e 26,7% de mulheres. O diagnóstico de sarcopenia foi feito com base nos critérios EWGSOP2: baixa força de preensão (< 28 kg para homens, < 18 kg para mulheres) associada a baixo índice de músculo esquelético (SMI) no nível vertebral L3 (< 40,8 cm²/m² para homens, < 34,9 cm²/m² para mulheres). A sarcopenia grave exigia adicionalmente velocidade da marcha < 1,0 m/s. As imagens de TC no nível L3 foram segmentadas automaticamente pelo software TotalSegmentator. A partir dessas imagens segmentadas, foram extraídas 1.288 características de radiômica, posteriormente reduzidas por meio de filtragem de correlação de Spearman e regressão LASSO com validação cruzada de 10 dobras.

A equipe desenvolveu quatro modelos progressivamente mais sofisticados. Um modelo XGBoost baseado exclusivamente em radiômica alcançou AUCs de 0,85 (validação) e 0,80 (teste externo). Um modelo de aprendizado profundo 2D com arquitetura ResNet50 obteve AUCs de 0,79 e 0,80, enquanto o modelo 2,5D — que utiliza três cortes consecutivos de TC no nível L3 como entrada de três canais — superou a versão 2D, com AUCs de 0,81 e 0,83. Um modelo de fusão XGBoost combinando variáveis clínicas, radiômica e características de aprendizado profundo 2,5D atingiu AUCs de 0,85 e 0,86. O modelo principal, denominado "sarcopenia model", uma arquitetura multimodal baseada em transformer que integra os três fluxos de dados por meio de um codificador de atenção com 8 cabeças, apresentou o melhor desempenho: AUCs de 0,95, 0,87 e 0,89 para identificação de sarcopenia nos conjuntos de treinamento, validação e teste externo, respectivamente. Para sarcopenia grave, os AUCs foram 0,93, 0,85 e 0,84 nos mesmos conjuntos.

A análise de sobrevida de Kaplan–Meier da coorte do Centro 1 (com seguimento ≥ 5 anos após a cirurgia) confirmou que pacientes com sarcopenia apresentaram sobrevida global significativamente pior do que aqueles sem a condição (p < 0,05), validando a importância clínica de uma detecção precisa. A análise de curva de decisão demonstrou que o sarcopenia model proporcionou maior benefício clínico líquido do que as abordagens de modalidade única em uma ampla faixa de probabilidades limiar, sugerindo utilidade prática — e não apenas superioridade estatística.

Para a comunidade mais ampla de longevidade e expectativa de vida saudável, este trabalho traz diversas implicações que vão além do câncer gástrico. A sarcopenia é um dos fenótipos de envelhecimento modificáveis de maior impacto — associada a quedas, hospitalizações, declínio funcional e mortalidade em idosos em geral. Automatizar sua detecção por meio da infraestrutura de TC já existente, sem a necessidade de testes físicos adicionais, pode transformar o rastreamento em escala populacional. A arquitetura de fusão baseada em transformer também pode servir de modelo para a integração de dados multimodais em outros contextos de sarcopenia, incluindo a perda muscular relacionada à idade em populações sem câncer. As ressalvas incluem o delineamento retrospectivo, uma coorte de pacientes predominantemente chinesa que limita a generalização dos resultados, e a necessidade de validação prospectiva antes da implementação clínica.