Radiômica e microRNAs para detecção de teratoma residual em câncer de testículo não-seminomatoso

Autores do Artigo:

Ozgun G et al.

Journal

JCO Clinical Cancer Informatics

Data da publicação

Agosto 2025

Autor do Resumo

Nathalia Crusoé

Editor de Seção

Nathalia Crusoé

Introdução

Em agosto de 2025 foi publicado na revista JCO Clinical Cancer Informatics o estudo, em tradução livre, “Modelo de aprendizado de máquina integrando radiômica derivada de tomografia computadorizada e microRNAs circulantes para predizer teratoma residual em câncer testicular não-seminomatoso metastático”. A hipótese era que as características radiômicas extraídas de tomografias computadorizadas associadsa com os níveis de miR-371 e miR-375 poderiam melhorar a acurácia na predição de teratoma residual após quimioterapia em pacientes com câncer testicular não-seminomatoso metastático. O estudo demonstrou desempenho preditivo superior com o modelo integrado, embora necessite validação externa. Confira abaixo mais detalhes do estudo:

Objetivo

Avaliar se a integração de dados de radiômica e de microRNAs circulantes (miR-371 e miR-375) aumenta a acurácia na predição de histologia de massas residuais pós-quimioterapia em pacientes com câncer testicular não-seminomatoso metastático.

Desenho do estudo

Estudo retrospectivo conduzido a partir do biobanco do BC Cancer, no Canadá, com análise radiômica de TC contrastada e dosagem de microRNAs séricos pré-ressecção. Modelos de aprendizado de máquina foram treinados e testados para distinguir teratoma de não-teratoma em massas residuais.

Número de pacientes

52 pacientes, totalizando 111 lesões analisadas.

Período de inclusão

Pacientes incluídos retrospectivamente; amostras e exames coletados entre 2018 e 2024 (dados do BC Cancer GU Biobank).

Materiais e Métodos

Lesões residuais ≥10 mm em TC pós-quimioterapia foram segmentadas manualmente em software 3D Slicer e submetidas à extração de variáveis radiômicas. Os níveis de microRNA-371 e microRNA-375 foram quantificados por RT-PCR em plasma obtido antes da cirurgia. Quatro algoritmos de aprendizado de máquina (CatBoost, Random Forest, Gradient Boosting e SVM) foram testados, utilizando conjuntos de treino (n=78 lesões) e teste (n=33 lesões). O desempenho foi avaliado por AUC, sensibilidade, especificidade, valor preditivo positivo e valor preditivo negativo.

Desfechos

Primário: acurácia do modelo integrado (radiômica + miR-371/375) para predizer teratoma residual.
Secundários: comparação de desempenho entre modelos radiômica isolada, radiômica + miR-371, radiômica + miR-375 e modelo integrado; valor preditivo de fatores clínicos.

Critérios de inclusão e exclusão mais relevantes

Incluídos homens com tumor germinativo não-seminomatoso tratados com quimioterapia à base de cisplatina, marcadores séricos normalizados antes da cirurgia e massas residuais ≥10 mm submetidas à ressecção, com CT contrastada e amostra de sangue disponíveis. Excluídos casos sem contraste, imagens de má qualidade ou sem amostras sanguíneas. Casos de seminoma foram incluídos apenas para treinamento de IA.

Resultados

Foram analisados 52 pacientes, idade mediana de 33 anos (intervalo 23-66). Entre 111 lesões, 56 eram teratomas, 34 necrose/fibrose, 11 tumores germinativos viáveis e 10 seminomas. A maioria das lesões foi em linfonodos (78,4%, principalmente retroperitônio), seguidas por pulmão (18,9%) e cérebro (2,7%). O tamanho mediano foi 20 mm longitudinal e 27 mm transversal. Histologia primária incluiu teratoma em 45,9%, saco vitelino em 45%, carcinoma embrionário em 40,5% e seminoma em 38,7%.

O modelo CatBoost com radiômica isolada atingiu AUC de 0.89 (treino) e 0.81 (teste). Combinando radiômica + miR-371/375, o AUC foi 0.96 (IC95% 0.88-1.0) no treino e 0.83 (IC95% 0.68-0.98) no teste, com sensibilidade de 0.88 (treino) e 0.71 (teste) e especificidade de 0.93 (treino) e 0.76 (teste). O valor preditivo positivo chegou a 0.93 (treino) e 0.75 (teste).

Na análise univariada, alfa-fetoproteína, beta-hCG, presença de teratoma no tumor primário e acometimento linfonodal foram associados à presença de teratoma. Contudo, na análise multivariada, apenas a assinatura radiômica + miRNAs manteve significância (p<0.0001 no treino; p=0.02 no teste).

Conclusão do Trabalho

A integração de radiômica derivada de TC com microRNAs circulantes (microRNA-371 e microRNA-375) aumentou a acurácia na predição de teratoma residual pós-quimioterapia em mNSGCT, superando fatores clínicos isolados. O modelo apresenta potencial para guiar decisões cirúrgicas, mas requer validação externa prospectiva.

Comentário Editorial

Este estudo combina duas frentes promissoras — radiômica e microRNAs — para enfrentar uma necessidade clínica ainda não atendida: identificar teratoma residual em pacientes com câncer testicular não-seminomatoso após quimioterapia. A performance superior do modelo integrado em relação a variáveis clínicas reforça a tendência de modelos multiômicos para estratificação individualizada. Contudo, a natureza retrospectiva, o número limitado de pacientes e a dependência de segmentação manual limitam a generalização dos resultados. Avanços futuros podem vir de automação na segmentação e validação multicêntrica prospectiva.

Referência

Ozgun G, Abdalvand N, Ozcan G, et al. Machine learning model integrating computed tomography image–derived radiomics and circulating miRNAs to predict residual teratoma in metastatic nonseminoma testicular cancer. JCO Clin Cancer Inform. Published online August 25, 2025. doi:10.1200/CCI-25-00105