IA de Radiômica Prevê Quem se Beneficia da Imunoterapia para Câncer de Fígado

O carcinoma hepatocelular (CHC) é um dos cânceres mais comuns e letais do mundo, e apenas uma fração dos pacientes se beneficia da imunoterapia de primeira linha com atezolizumabe mais bevacizumabe. A ausência de biomarcadores preditivos confiáveis significa que muitos pacientes recebem tratamentos com baixa probabilidade de benefício, evidenciando a necessidade urgente de ferramentas melhores para estratificação de pacientes.

Este estudo retrospectivo incluiu 152 pacientes com CHC provenientes de dois centros internacionais — Imperial College London e Assistance Publique-Hôpitaux de Paris — todos em tratamento com atezolizumabe mais bevacizumabe. A autossegmentação por aprendizado profundo foi aplicada a exames de TC pré-tratamento de rotina para gerar máscaras do fígado inteiro, a partir das quais características radiômicas foram extraídas. Sete algoritmos de aprendizado de máquina combinados com 13 técnicas de seleção de características foram testados para desenvolver modelos radiômicos isolados e modelos integrados radiômico-clínicos para predição de mortalidade em 12 meses.

O modelo integrado radiômico-clínico superou substancialmente as ferramentas convencionais de estadiamento clínico. Na coorte do ICL, ele atingiu uma AUC de 0,89 versus 0,61 para o estadiamento BCLC e 0,48 para o grau ALBI, com replicação robusta na coorte independente do AP-HP (AUC 0,75). O agrupamento por K-means separou os pacientes em grupos de alto e baixo risco com desfechos de sobrevida marcadamente distintos: sobrevida global mediana de 5,6 vs. 28,2 meses na coorte do ICL e 5,8 vs. 15,7 meses na coorte do AP-HP.

Os pacientes de baixo risco também apresentaram taxas de resposta a inibidores de checkpoint imunológico significativamente mais altas (35,6% vs. 21,4%), e na análise multivariável o grupo radiômico foi o preditor independente mais forte tanto da sobrevida global (HR 3,22) quanto da sobrevida livre de progressão (HR 1,82). Esses achados sugerem que o modelo captura características biológicas relevantes do tumor e do fígado que são invisíveis às métricas clínicas padrão.

As ressalvas incluem o desenho retrospectivo, o tamanho amostral relativamente modesto abrangendo apenas dois centros e a necessidade de validação prospectiva antes da implementação clínica. Ainda assim, este trabalho demonstra que a análise de imagens baseada em IA a partir de exames de rotina pode viabilizar decisões terapêuticas de precisão no CHC avançado.