Modelo de IA Prevê Sucesso no Tratamento do Câncer de Fígado Usando Marcadores de Hipóxia e Imunidade

Os resultados do tratamento do câncer de fígado variam drasticamente entre os pacientes, tornando essencial prever quem se beneficiará de terapias específicas. Pesquisadores desenvolveram um modelo de IA inovador que prevê com precisão a sobrevida de pacientes com carcinoma hepatocelular submetidos à terapia TACE (quimioembolização transarterial).

O estudo analisou 1.448 pacientes com câncer de fígado em múltiplos centros médicos, utilizando tomografias computadorizadas pré-tratamento combinadas com dados clínicos. A equipe criou modelos de aprendizado profundo e radiomic convencionais, integrando-os posteriormente com variáveis clínicas dos pacientes para formar um modelo clínico-radiológico abrangente (CRM).

O CRM estratificou com êxito os pacientes em grupos de risco em todas as coortes de teste independentes, superando as ferramentas clínicas de predição existentes. A análise multi-ômica revelou que os pacientes de alto risco apresentavam vias promotoras de câncer ativadas, maior capacidade de migração das células tumorais, aumento da glicólise e níveis elevados de hipóxia. A análise de célula única confirmou que praticamente todos os tipos celulares nos tumores de alto risco exibiam assinaturas de hipóxia, enquanto os linfócitos T citotóxicos demonstravam atividade antitumoral reduzida.

Este modelo representa um avanço significativo no cuidado oncológico personalizado, oferecendo aos médicos uma ferramenta não invasiva para prever os resultados do tratamento antes de seu início. Ao identificar pacientes com maior probabilidade de desfechos desfavoráveis, os clínicos podem ajustar as estratégias terapêuticas, potencialmente combinando o TACE com outras terapias ou adotando abordagens alternativas. A integração de dados de imagem com a análise de vias biológicas proporciona tanto utilidade prática quanto embasamento científico para compreender por que alguns tumores resistem ao tratamento. No entanto, o modelo requer validação em populações diversas e integração aos fluxos de trabalho clínicos antes de sua implementação ampla.