Classificação de câncer com radiômica em modelos pré-clínicos controlados

Ler o câncer a partir de exames de imagem e sangue

O atendimento moderno ao câncer depende cada vez mais de computadores para vasculhar imagens médicas e exames laboratoriais em busca de padrões que são difíceis de perceber a olho nu. Este estudo faz uma pergunta simples, porém importante: se queremos identificar que tipo de câncer um paciente tem, é melhor extrair informações ocultas a partir das imagens ou do sangue? Usando experimentos cuidadosamente controlados em camundongos, os pesquisadores compararam diretamente essas duas abordagens para ver qual fornece respostas mais confiáveis.

O que significa fazer uma “biópsia virtual”

Radiômica é uma técnica em rápido crescimento que trata cada exame médico como uma fonte rica de dados, e não apenas como uma imagem. Softwares especializados analisam imagens tridimensionais de tomografia computadorizada (TC) de um tumor e as convertem em centenas de características numéricas que descrevem sua forma, intensidade e texturas finas. Em princípio, esses padrões podem refletir a biologia do tumor de maneira semelhante a uma biópsia, mas sem agulhas ou cirurgia — a chamada “biópsia virtual”. Seus defensores esperam que a radiômica ajude a classificar tumores, avaliar sua agressividade e orientar escolhas de tratamento. Mas há preocupações: os resultados podem ser difíceis de reproduzir, facilmente confundidos por detalhes técnicos e de interpretação complexa para médicos.

Um teste justo, frente a frente, em camundongos

Para submeter a radiômica a um teste rigoroso, a equipe recorreu a um modelo de camundongo no qual quase tudo podia ser controlado. Grupos de animais geneticamente idênticos receberam implantes de um dos dois tipos de tumor: CT26, um modelo de câncer colorretal, e 4T1, um modelo de câncer de mama. Todos os animais eram da mesma linhagem, sexo e idade semelhante, mantidos no mesmo ambiente e submetidos à mesma máquina de TC. Os tumores foram delineados cuidadosamente em software 3D, e um pacote de radiômica popular extraiu 1.409 características numéricas de cada exame. Em paralelo, os pesquisadores coletaram sangue dos mesmos animais e mediram tipos de células imunes e dezenas de proteínas — biomarcadores que trabalhos anteriores já haviam mostrado capazes de distinguir esses modelos de câncer quase perfeitamente.

Comprimindo milhares de detalhes da imagem em um sinal útil

A maior parte das características de imagem brutas mostrou-se pouco útil: algumas mal variavam entre os camundongos, e muitas eram quase duplicatas entre si. Após várias rodadas de filtragem estatística, restaram apenas 18 características radiômicas não redundantes, descrevendo em grande parte padrões sutis de textura em vez de tamanho ou forma simples. A equipe então usou um método padrão de aprendizado de máquina, Random Forest, para avaliar quão bem essas características refinadas da imagem conseguiam distinguir os dois tipos de tumor. Também aplicaram ferramentas de visualização para verificar se os dados formavam naturalmente clusters separados para cada tipo de câncer sem usar os rótulos antecipadamente.

Sinais do sangue superam sinais de imagem

O contraste entre sangue e imagem foi marcante. Ao reduzir os dados de células sanguíneas e proteínas plasmáticas a duas dimensões, os dois tipos de tumor formaram clusters claramente separados, confirmando que o sangue capturou sinais tumorais fortes e específicos. Nos dados de radiômica, entretanto, apareceram três clusters mistos, cada um contendo uma mistura dos dois cânceres, sugerindo que fatores desconhecidos estavam moldando as imagens. Em testes supervisionados, a radiômica sozinha classificou o tipo de tumor com cerca de 87% de acurácia — bom, mas visivelmente inferior aos 96% obtidos a partir da contagem de células imunes e aos 99% das proteínas plasmáticas. Adicionar radiômica aos marcadores sanguíneos não melhorou o desempenho; em algumas combinações, reduziu levemente a acurácia. Um experimento adicional mostrou que usar somente uma pequena região esférica dentro do tumor, em vez de delinear toda a massa, piorou ainda mais o desempenho da radiômica, ressaltando o quanto essas características são sensíveis à forma como o tumor é traçado na imagem.

O que isso significa para futuros testes de câncer

Para um leitor leigo, a conclusão é clara: embora a análise avançada de imagens possa fornecer pistas úteis, neste estudo ela foi superada por testes de sangue relativamente simples na tarefa de distinguir dois tipos de câncer. Mesmo em um ambiente laboratorial controlado, com camundongos idênticos e imagem padronizada, pequenas diferenças técnicas e a complexidade do processamento de imagens pareceram borrar o sinal radiômico. Os autores concluem que a radiômica ainda não está pronta para funcionar como um classificador de câncer autônomo e altamente confiável. Em vez disso, argumentam que serão necessárias maior padronização da imagem, ferramentas de contorno melhores e conexões mais claras entre padrões de imagem e a biologia subjacente antes que biópsias virtuais possam orientar decisões clínicas de forma confiável, ao lado ou em substituição aos biomarcadores sanguíneos bem estabelecidos.

Citação: Drover, K., Davis, D.A.S., Gosling, K. et al. Cancer classification with radiomics in controlled preclinical models. Sci Rep 16, 6647 (2026). https://doi.org/10.1038/s41598-026-37757-8

Palavras-chave: radiômica, biomarcadores de câncer, imagem médica, aprendizado de máquina em oncologia, exames de sangue para câncer