Microscopia multiphotônica sem marcação e aprendizado de máquina para reconhecimento de carcinoma hepatocelular

Por que isso importa para pessoas com câncer de fígado

O câncer de fígado, em particular o carcinoma hepatocelular, é ao mesmo tempo comum e letal, e a cirurgia costuma ser a única chance de cura. Durante a operação, os cirurgiões precisam remover todo o tumor preservando o máximo possível do fígado saudável, um equilíbrio difícil quando o tecido doente já tem aparência anormal. Este estudo explora uma nova forma de "ver" o câncer em tempo real durante a cirurgia, sem corantes ou trabalhos laboratoriais demorados, combinando microscopia a laser avançada com inteligência artificial. O objetivo é ajudar os cirurgiões a encontrar a verdadeira borda do tumor mais rápida e precisamente, potencialmente melhorando os resultados para os pacientes.

Olhando dentro do tecido com luz especial

Os pesquisadores usaram uma técnica chamada microscopia multiphotônica, que depende de pulsos de laser muito curtos para fazer moléculas naturais no tecido emitirem luz ou gerarem sinais. Em vez de adicionar corantes ou agentes de contraste, o método registra o que já está lá: gorduras, fibras de colágeno e substâncias naturalmente fluorescentes dentro das células. Três tipos de sinais foram registrados em cada pequeno campo de visão nas amostras de fígado: um que destaca lipídios, outro que mostra autofluorescência de moléculas como NADH e vitamina A, e um que revela fibras de colágeno rígidas. Juntos, esses sinais criam imagens coloridas e de alta resolução que mostram tanto células individuais quanto a arquitetura geral do tecido hepático e dos tumores.

Capturando as muitas faces do câncer de fígado

A equipe examinou tecido de 76 pacientes que passaram por cirurgia para câncer de fígado, analisando tanto o tumor quanto o fígado circundante. Eles demonstraram que essa imagem sem marcação pode representar padrões clássicos de crescimento do carcinoma hepatocelular, como lâminas finas ou espessas de células tumorais, placas sólidas e estruturas semelhantes a glândulas. Também revela alterações no fígado ao redor, incluindo acúmulo de gordura e cicatrização, comuns em pacientes com doença hepática crônica. Importante, esses padrões eram visíveis mesmo quando as imagens foram adquiridas em resolução relativamente baixa, semelhante ao que dispositivos endoscópicos futuros dentro do corpo poderiam fornecer. Isso sugere que a abordagem pode ser prática na sala de operação, não apenas em um laboratório.

Ensinando um computador a identificar a borda do tumor

Para transformar imagens ricas, porém complexas, em decisões rápidas, os cientistas converteram cada imagem em números que descrevem textura, como quão lisa, grosseira ou variada é a distribuição de pixels. Para cada canal de imagem, calcularam 17 dessas medidas e então treinaram uma rede neural com cerca de 25.000 imagens de 35 pacientes para distinguir tecido tumoral de fígado não canceroso. Depois testaram o modelo com cerca de 27.000 novas imagens de outros 38 pacientes. Quando o computador usou uma combinação dos sinais de autofluorescência e sensíveis ao colágeno, rotulou corretamente as imagens como tumor ou normal em aproximadamente 97 de cada 100 casos. Mesmo os tumores mais sutis e bem diferenciados, que podem ser difíceis para patologistas reconhecerem em cortes rápidos congelados, foram classificados com alta precisão.

O que os padrões de luz revelam sobre o câncer

Ao comparar diferentes combinações de sinais, o estudo constatou que a autofluorescência carregava a informação mais útil para distinguir câncer de não câncer. Esse brilho vem de muitas moléculas naturais dentro das células e de estruturas como elastina e colágeno, portanto codifica densidade celular, tamanho e forma dos núcleos (vistos como áreas mais escuras), gotículas de gordura e a composição do tecido ao redor. A adição do sinal específico ao colágeno ainda aprimorou o contraste entre tumor e fígado de fundo, refletindo diferenças conhecidas na organização de fibras e vasos sanguíneos. Surpreendentemente, o sinal focado em lipídios contribuiu menos para a classificação automática, um insight prático porque pode permitir projetos de dispositivos mais simples que dependam de um único feixe de laser em vez de configurações mais complexas com dois feixes.

Do banco de laboratório à sala de operação

Para simular o uso cirúrgico real, a equipe também aplicou seu melhor modelo a amostras de tecido que incluíam a borda real entre tumor e fígado, criando mapas de probabilidade que destacavam onde o câncer terminava e o tecido normal começava. Esses mapas concordaram em geral com a histologia convencional, embora regiões muito gordurosas ou ricas em colágeno tenham às vezes confundido o classificador. Os autores apontam obstáculos remanescentes antes que essa tecnologia possa guiar cirurgias ao vivo, incluindo a profundidade limitada da imagem óptica, a necessidade de endoscópios robustos e estéreis, o movimento e o sangue no campo cirúrgico, e o desafio de validar a inteligência artificial em grandes conjuntos de dados do mundo real. Ainda assim, o trabalho mostra que a imagem multiphotônica sem marcação, combinada com aprendizado de máquina, pode funcionar como um microscópio digital rápido que um dia poderá ajudar cirurgiões a cortar com mais precisão e segurança, aumentando as chances de que todo o câncer seja removido enquanto se preserva o máximo possível do fígado saudável.

Citação: Galli, R., Korn, S., Aust, D. et al. Label-free multiphoton microscopy and machine learning for recognition of hepatocellular carcinoma. Sci Rep 16, 8734 (2026). https://doi.org/10.1038/s41598-026-43831-y

Palavras-chave: imagem do câncer de fígado, microscopia multiphotônica, autofluorescência, margens cirúrgicas, aprendizado de máquina