Uma imagem microscópica de um tumor pode esconder informações que vão muito além da aparência das células. Alterações genéticas, características moleculares e até sinais relacionados à evolução de determinados tipos de câncer podem deixar marcas na organização dos tecidos. Identificar esses padrões, entretanto, exige análises especializadas e exames que nem sempre são rápidos ou acessíveis.
Uma nova pesquisa apresenta uma possibilidade interessante: utilizar inteligência artificial para prever características moleculares de tumores a partir de imagens de tecidos, sem precisar realizar uma análise genômica durante a etapa de utilização do sistema.
A tecnologia, chamada PathLUPI, conseguiu identificar diferentes características associadas a tumores em avaliações envolvendo milhares de amostras. O resultado abre perspectivas para aproximar a inteligência artificial da rotina da patologia e da chamada oncologia de precisão.
Uma imagem microscópica pode revelar mais do que parece
Na investigação do câncer, conhecer apenas o tipo de tumor nem sempre é suficiente para orientar as decisões médicas. Dois tumores que apresentam aparência semelhante podem ter diferenças importantes em seu comportamento biológico, nas alterações genéticas e na resposta aos tratamentos.
Por isso, a oncologia de precisão utiliza informações moleculares para compreender melhor cada caso e auxiliar na escolha de estratégias terapêuticas.
O problema é que obter esses dados pode exigir exames específicos, equipamentos especializados, tempo e recursos financeiros.
Nesse cenário, os pesquisadores investigaram se as imagens histológicas, obtidas pela observação microscópica de tecidos, poderiam fornecer pistas sobre essas características.
A proposta é interessante porque essas imagens já fazem parte da rotina de avaliação de biópsias e outros materiais utilizados no diagnóstico de câncer.
PathLUPI utiliza aprendizado molecular para interpretar tecidos
O sistema desenvolvido pelos pesquisadores recebeu o nome de PathLUPI. Seu diferencial está na maneira como foi treinado.
Durante o desenvolvimento, a inteligência artificial teve acesso a informações do transcriptoma, conjunto de moléculas de RNA que ajudam a compreender quais genes estão ativos nas células. Esses dados foram utilizados para aprimorar a capacidade do modelo de reconhecer padrões nas imagens dos tecidos.
Depois dessa etapa de treinamento, o sistema conseguiu realizar previsões utilizando apenas as imagens histológicas, sem depender diretamente das informações genômicas durante a aplicação.
Na prática, isso significa que a IA aprendeu a relacionar determinadas características visuais dos tecidos com padrões moleculares associados aos tumores.
Testes envolveram mais de 11 mil amostras
Os resultados chamaram a atenção pela abrangência da avaliação. O PathLUPI foi testado em 49 tarefas relacionadas à oncologia molecular, utilizando 11.361 casos distribuídos em 20 conjuntos de dados.
Em 18 tarefas envolvendo a identificação de biomarcadores e a classificação molecular de tumores, o sistema alcançou uma área sob a curva ROC igual ou superior a 0,80.
Essa medida avalia a capacidade de um modelo de distinguir corretamente diferentes condições. Quanto mais próximo de 1, melhor tende a ser seu desempenho discriminatório.
Além disso, nas avaliações de sobrevida envolvendo cinco tipos principais de câncer, a tecnologia alcançou índice de concordância de pelo menos 0,70.
Outro resultado interessante foi a identificação de padrões morfológicos celulares associados a características genéticas específicas. Os pesquisadores também avaliaram essas relações utilizando dados de transcriptômica espacial, técnica que permite observar a distribuição de informações moleculares em diferentes regiões de um tecido.
Veja também:
Inteligência artificial pode ampliar as possibilidades da oncologia
O estudo foi publicado em 2 de novembro de 2026, na revista científica Nature Communications. O primeiro autor é Cheng Jin, e a pesquisa apresenta o PathLUPI como uma estratégia para extrair informações moleculares de imagens histológicas convencionais.
Apesar dos resultados promissores, a tecnologia ainda não deve ser interpretada como substituta dos exames genéticos, da avaliação anatomopatológica ou da decisão médica. As previsões de um modelo de inteligência artificial precisam ser validadas e consideradas dentro do contexto clínico de cada paciente.
Ainda assim, a possibilidade de identificar pistas moleculares a partir de imagens já utilizadas na rotina laboratorial representa um caminho interessante para a pesquisa em câncer.
No futuro, ferramentas desse tipo poderão ajudar a direcionar investigações, identificar pacientes que necessitam de exames complementares e tornar algumas etapas da caracterização molecular dos tumores mais acessíveis.
