Pesquisadores de câncer de cabeça e pescoço demonstram a capacidade de um algoritmo de aprendizado profundo no cenário pós-operatório

A inteligência artificial pode aumentar os métodos atuais para prever o risco de que o câncer de cabeça e pescoço se espalhe para fora das fronteiras dos linfonodos do pescoço, de acordo com pesquisadores do ECOG-ACRIN Cancer Research Group (ECOG-ACRIN). Um algoritmo de aprendizado profundo personalizado usando imagens de tomografia computadorizada (TC) padrão e dados associados fornecidos por pacientes que participaram do estudo E3311 de fase 2 mostra-se promissor, especialmente para pacientes com um novo diagnóstico de câncer de cabeça e pescoço relacionado ao papilomavírus humano (HPV) . O conjunto de dados validado E3311 tem o potencial de contribuir para o estadiamento mais preciso da doença e a previsão do risco.

Benjamin Kann, MD (Dana-Farber Cancer Institute, Brigham and Women’s Hospital, Harvard Medical School), liderou o estudo para ECOG-ACRIN. Ele apresentará as descobertas durante a reunião anual da American Society of Radiation Oncology (ASTRO) em San Antonio, Texas.

“Esse tipo de pesquisa é fundamental, pois pode ajudar a identificar pacientes com doenças agressivas de alto risco e também ajudar a selecionar os pacientes apropriados para o desescalonamento da terapia”, disse o Dr. Kann.

Os cânceres de cabeça e pescoço e seus tratamentos padrão – cirurgia, radiação ou quimioterapia – acarretam morbidade significativa. Eles afetam a aparência, a fala, a alimentação ou a respiração de uma pessoa. Portanto, há grande interesse em desenvolver estratégias de tratamento menos intensas para os pacientes. Por exemplo, o estudo de fase 3 E3311 concluído mostrou que a radiação de baixa dose a 50 Gray (Gy) sem quimioterapia após cirurgia transoral levou a uma sobrevida muito alta e excelente qualidade de vida em pacientes com risco médio de recorrência (Ferris RL. J Clin Onc. Dezembro de 2021).

Dr. Kann e colegas desenvolveram e validaram uma rede neural algoritmo de aprendizado profundo com base em exames de tomografia computadorizada (TC) de diagnóstico, patologia e dados clínicos. A fonte foi a coorte de participantes do estudo E3311 que foram avaliados com alto risco de recorrência por medidas patológicas e clínicas padrão.

“Estadiamento de cabeça e pescoço Câncer é um problema clínico desafiador”, disse o Dr. Kann. “Em particular, nossos esforços atuais para identificar a extensão extranodal por meio da interpretação humana de imagens pré-tratamento geralmente mostraram resultados ruins”.

Entre os fatores que determinam o estágio do câncer estão o tamanho do tumor original, o número de linfonodos envolvidos e a extensão extranodal – quando as células malignas se espalham além das bordas dos linfonodos do pescoço para o tecido circundante. No E3311, os pacientes foram avaliados como de alto risco se houvesse ≥1 mm de extensão extranodal (ENE). Esses pacientes foram designados para quimioterapia e radiação de alta dose (66 Gy) após cirurgia transoral.

Dr. Kann e colegas obtiveram tomografia computadorizada (TC) pré-tratamento e relatórios de patologia cirúrgica correspondentes da coorte de alto risco E3311, conforme disponível. Das 177 varreduras coletadas, 311 nós foram anotados: 71 (23%) com ENE e 39 (13%) com ≥1 mm ENE.

A ferramenta apresentou alto desempenho na previsão de ENE, superando substancialmente as revisões de radiologistas especialistas em cabeça e pescoço.

“O algoritmo de aprendizado profundo classificou com precisão 85% dos nós como tendo ENE em comparação com 70% pelos radiologistas”, disse o Dr. Kann. “Quanto à especificidade e sensibilidade, o algoritmo de aprendizado profundo foi 78% preciso versus 62% dos radiologistas”.

A equipe planeja avaliar o conjunto de dados como parte de futuros ensaios de tratamento para cabeça e câncer de pescoço. O algoritmo será avaliado quanto ao seu potencial para melhorar os métodos atuais de estadiamento da doença e avaliação de risco.

“Nossa capacidade de desenvolver biomarcadores a partir de imagens de tomografia computadorizada padrão é uma nova e empolgante área de pesquisa clínica e oferece a esperança de que seremos capazes de adaptar melhor o tratamento para pacientes individuais, incluindo decidir quando usar melhor a cirurgia e em quem reduzir a extensão de tratamento”, disse a autora sênior Barbara A. Burtness, MD.

Fornecido pelo ECOG-ACRIN Cancer Research Group