Predição multimodal do subtipo molecular do adenocarcinoma gástrico: integrando visão computacional histopatológica e alterações genômicas na prática médica

Abstract

O adenocarcinoma gástrico é uma neoplasia altamente heterogênea, classificada em subtipos moleculares pelo The Cancer Genome Atlas (TCGA): instabilidade cromossômica CIN, instabilidade de microssatélites MSI, genômica estável GS e associado ao vírus Epstein-Barr EBV. Esses subtipos influenciam prognóstico e terapia, mas ainda não há métodos diagnósticos de rotina convencionados. A presente tese desenvolveu comitês de sistemas preditivos para os subtipos moleculares por meio de inteligência artificial, concatenou modelos de visão computacional em imagens histopatológicas e modelos de aprendizado de máquina em dados genômicos, demonstrando resultados melhores que a literatura. Organizada em quatro capítulos, a tese utiliza dados do TCGA-STAD para treinamento e validação. No primeiro capítulo, comitês de redes neurais convolucionais CNN treinados em recortes de imagens de lâminas inteiras alcançaram precisão macro de 0,79-0,81 e precisão de 1,00 para EBV e MSI, superando abordagens anteriores em classes minoritárias. O segundo capítulo testa se CNN capturam padrões histopatológicos novos para CIN em dataset controlado por morfologia (apenas adenocarcinomas tubulares, OMS-2019), com NASNet-Mobile obtendo AUC-ROC médio >0,70, confirmando predição independente de tipologias conhecidas. O terceiro capítulo identifica painéis genéticos com Florestas Aleatórias (Random Forest) e avaliação de influência cooperativa dos genes para predição. Identifica genes não previamente associados ao câncer gástrico e organiza dois painéis com 18 e 9 genes. O quarto capítulo propõe comitê multimodal G.SUBTGENOVISION concatenando MobileNetV2 com Random Forest em painel de genes influentes. O modelo apresentou média macro AUC-ROC de 0.95, obtendo AUC-ROC CIN (0,91), EBV (0,98), GS (0,90), MSI (0,99) superior à literatura. A presente tese contribuiu ao demonstrar que modelos de aprendizado profundo revelam padrões histológicos subjacentes a genótipos e portanto denominados fenótipos profundos que podem ser concatenados com dados genômicos em comitês multimodais eficientes. Contribui ainda com a prática médica ao desenvolver em paralelo sistema de inovação e comitê multimodal demonstrando a superioridade dessa abordagem na predição de subtipos moleculares. Palavras-chaves: adenocarcinoma gástrico; classificação molecular; redes neurais convolucionais; ensemble multimodal; variações genéticas somáticas