Cancer ResearchArtigo CientíficoAcesso Aberto

Modelos de IA preveem a resposta à imunoterapia contra o câncer melhor do que o PD-L1, mas poucos foram validados em pacientes

Uma revisão narrativa constata que a IA multimodal supera biomarcadores isolados em estudos retrospectivos, mas a validação prospectiva é escassa e o desempenho muitas vezes cai em avaliações externas.

sexta-feira, 20 de novembro de 2026 0 visualização
Publicado em J Egypt Natl Canc Inst
oncologist reviewing a lung CT scan and digital pathology slide on dual monitors in a hospital reading room

Resumo

A imunoterapia ajuda alguns pacientes com câncer por anos, enquanto outros obtêm pouco benefício, e exames padrão como PD-L1, carga mutacional tumoral e instabilidade de microssatélites preveem essa diferença apenas em parte. Esta revisão narrativa analisa modelos de inteligência artificial que combinam dados genéticos, exames de imagem (TC, RM e PET), lâminas de patologia digital, marcadores sanguíneos e informações clínicas em preditores compostos. Vários estudos retrospectivos relatam AUCs de 0,8 ou mais, e a IA também vem sendo aplicada à seleção de pacientes para terapia CAR-T e à previsão de toxicidade. Os autores ressaltam que a validação prospectiva e multicêntrica é rara, que os testes externos muitas vezes mostram desempenho pior e que muitos modelos são opacos. Por enquanto, essas ferramentas são auxiliares de pesquisa, não ferramentas de decisão comprovadas. Os principais obstáculos são a padronização de dados, o viés, a transparência e a regulamentação.

Resumo Detalhado

Inibidores de checkpoint imunológico e terapias celulares transformaram a oncologia, mas os médicos ainda não conseguem prever com segurança quem vai responder. Esta revisão narrativa, baseada em PubMed, Google Scholar e registros de ensaios clínicos até o início de 2025, investiga se a inteligência artificial pode reduzir essa lacuna ao prever a resposta e personalizar o tratamento em cânceres sólidos e hematológicos.

Os autores começam descrevendo por que os marcadores atuais são insuficientes. O PD-L1 e a carga mutacional tumoral variam entre os tipos de câncer, os ensaios e os pontos de corte diferem entre laboratórios, e uma única biópsia não consegue captar a heterogeneidade dentro de um tumor nem as mudanças ao longo do tempo. A instabilidade de microssatélites tem bom valor preditivo, mas está presente em apenas cerca de 5% dos tumores. Nenhum desses marcadores prevê de forma confiável a toxicidade imunomediada. O microambiente tumoral, com suas células imunes supressoras, matriz densa e vasos sanguíneos anormais, acrescenta ainda mais complexidade.

O argumento central é que combinar diferentes tipos de dados supera qualquer marcador isolado. A revisão aborda genômica e transcriptômica (incluindo redes neurais que preveem a ligação de neoantígenos), radiômica de TC, RM e PET, patologia digital em imagens de lâmina inteira, ômicas espaciais e de célula única, e DNA tumoral circulante. O desempenho relatado inclui uma AUC de cerca de 0,80 para o modelo de múltiplas entradas deepAFM, 0,83 para prever o status de PD-L1 a partir de imagens de câncer de pulmão de células não pequenas (NSCLC), cerca de 0,92 para a expressão de PD-L1 a partir da patologia do câncer de mama e 0,838 para multiômica espacial em NSCLC. Uma assinatura radiopatômica de câncer gástrico alcançou AUCs de 0,978 a 0,822 nas coortes de validação e foi associada à infiltração de células B de memória.

As aplicações específicas por tumor incluem a descoberta de neoantígenos para vacinas em melanoma, aprendizado de máquina em dados de mundo real de NSCLC usando a razão neutrófilos-linfócitos, o status de desempenho e o PD-L1, e uma ferramenta de imagem da Onc.AI que recebeu a designação de dispositivo inovador (breakthrough device) da FDA para estratificação de risco. A IA também vem sendo usada para selecionar pacientes para CAR-T, otimizar a fabricação e antecipar a síndrome de liberação de citocinas e a neurotoxicidade. Entre as abordagens emergentes estão o aprendizado federado, modelos de fundação, gêmeos digitais e o monitoramento por dispositivos vestíveis.

O nível de evidência importa. Trata-se, em sua maioria, de resultados retrospectivos de desenvolvimento de modelos em um único centro, e os autores afirmam que a validação externa frequentemente mostra piora do desempenho. Os modelos gastrointestinais muitas vezes não passam por validação externa, e os conjuntos de dados são heterogêneos. A padronização dos dados, o viés, a reprodutibilidade limitada, a escassa validação longitudinal e a falta de explicabilidade continuam sendo barreiras à confiança dos médicos e à aceitação regulatória.

A implicação é que a IA multimodal representa um avanço promissor na compreensão de mecanismos e na predição, mas ainda não foi demonstrado que melhore os desfechos dos pacientes. Os autores pedem ensaios prospectivos multicêntricos, relatos transparentes, modelos explicáveis e marcos regulatórios mais robustos antes que a IA deixe de ser uma ferramenta de pesquisa retrospectiva e passe a apoiar rotineiramente a decisão clínica. Por se tratar de uma revisão narrativa, sem avaliação sistemática da qualidade, os números de desempenho citados devem ser lidos como ilustrativos, e não como estimativas agrupadas.

Principais Descobertas

  • Multimodal deep learning (deepAFM) combining histopathology, genomics, radiomics and clinical data reported AUC up to about 0.80 for immunotherapy response (retrospective).
  • Gastric cancer radiopathomics signature (H&E slides plus CT, seven ML models) reached AUCs of 0.978 to 0.822 across validation cohorts and tracked memory B-cell infiltration.
  • Imaging-based AI predicted PD-L1 status in NSCLC with AUC 0.83; pathology AI predicted PD-L1 expression in breast cancer with AUC about 0.92.
  • NSCLC spatial multi-omics model reached AUC 0.838, but the review notes external validation often shows performance deterioration.
  • Conventional markers are limited: MSI-H is a strong pan-cancer predictor but prevalence is only about 5%, while PD-L1 and TMB lack standardized cutoffs and are partial predictors.
  • Onc.AI's Serial CTRS imaging tool received FDA breakthrough device designation for NSCLC risk stratification, which is a designation, not proof of outcome benefit.
  • Prospective, multicenter validation is scarce, and many GI cancer models lack external validation; no outcome-improvement trial results are reported.

Metodologia

Esta é uma revisão narrativa, e não uma revisão sistemática ou meta-análise. A literatura foi pesquisada no PubMed, no Google Scholar e em registros de ensaios clínicos até o início de 2025, usando termos relacionados a IA, imunoterapia, biomarcadores, microambiente tumoral, CAR-T e radiômica. Foram priorizados estudos prospectivos ou com validação externa e revisões de referência, mas não é descrita nenhuma avaliação formal da qualidade, pontuação de risco de viés ou análise agrupada. Os valores de desempenho (principalmente AUCs) foram extraídos de estudos individuais citados.

Limitações do Estudo

Os autores observam que a maioria dos estudos é retrospectiva, que a validação raramente é prospectiva ou multicêntrica e que o desempenho frequentemente diminui em avaliações externas. Persistem a heterogeneidade dos dados, vieses, reprodutibilidade limitada e opacidade dos modelos. Por se tratar de uma revisão narrativa, ela pode estar sujeita a viés de seleção, e nenhum conflito de interesses foi relatado no texto fornecido, que está truncado antes das seções sobre câncer de mama e CAR-T.

Gostou deste resumo?

Receba as pesquisas de longevidade mais recentes na sua caixa de entrada toda semana.

Digite seu e-mail para assinar: