Inteligência artificial identifica no sangue células que geram metástase

O programa aprende a identificar as células perigosas sem que elas precisem receber qualquer marcação especial.
[Imagem: Shen Wang et al. - 10.1038/s41598-020-69056-1]

Células tumorais circulantes

Pesquisadores demonstraram o potencial de um novo método de detecção de células tumorais circulantes, baseado em inteligência artificial.

Ao contrário dos métodos existentes, que dependem de um processo caro e demorado que envolve a marcação de anticorpos com fluorescência, esta técnica usa um método de detecção sem marcação, que é muito mais simples.

A metástase - o desenvolvimento do tumor em um local secundário - é responsável pela maioria das mortes relacionadas ao câncer. Ela ocorre quando o local do tumor primário libera células cancerígenas, que circulam pelo corpo através dos vasos sanguíneos ou dos gânglios linfáticos. Essas células se tornam sementes para o eventual crescimento do tumor em um local secundário do corpo.

A detecção dessas células muito raras, conhecidas como células tumorais circulantes, ou CTCs, é importante para o prognóstico precoce das formas mais graves da doença, bem como para monitorar a eficácia do tratamento. Atualmente, há apenas um método para detecção de CTCs aprovado, e que é usado para diagnosticar apenas câncer de mama, colorretal e de próstata.

Aprendizado de máquina

A nova técnica, criada por Shen Wang e colegas da Universidade de Lehigh (EUA), aplica um algoritmo de aprendizado de máquina a imagens de microscopia das células presentes nas amostras de sangue coletadas dos pacientes.

As amostras de sangue são coletadas usando um kit de enriquecimento disponível comercialmente e, a seguir, tratadas em um biochip desenvolvido pela equipe especificamente para capturar e liberar CTCs (células tumorais circulantes).

A ferramenta ofereceu uma alta taxa de precisão: 88,6% de precisão geral no sangue do paciente e 97% nas células em cultura.

"Este estudo, embora pequeno, demonstra que nosso método pode atingir alta precisão na identificação de CTCs raras sem a necessidade de dispositivos avançados ou usuários experientes, fornecendo assim uma maneira mais rápida e simples de contar e identificar CTCs," disse o professor Yaling Liu. "Com mais dados se tornando disponíveis no futuro, o modelo de aprendizado de máquina poderá ser aprimorado ainda mais e servir como uma ferramenta precisa e fácil de usar para a análise de CTCs."