*Informatics in Medicine Unlocked* (volume 52, 2025): Melhorando a previsão de prognóstico do câncer gástrico ressecável: Uma análise de aprendizado de máquina combinando características clínicas e radiômica da composição corporal é o título do estudo publicado pelos pesquisadores da Unicamp.

Nos últimos anos, a forma como a Oncologia classifica a gravidade de um câncer ganhou um novo recurso graças ao desenvolvimento de programas de computador com Inteligência Artificial (IA) aplicada à área médica.

Um estudo recente, por exemplo, conduzido por pesquisadores na Universidade Estadual de Campinas (Unicamp), demonstrou que a análise automatizada da composição corporal de pacientes com câncer gástrico (ou de estômago) é capaz de prever os riscos de mortalidade de forma precisa quando se medem características específicas de músculos e gorduras através de Tomografias Computadorizadas (CTs).

O estudo foi publicado na revista científica Informatics in Medicine Unlocked (volume 52, 2025) sob o título Melhorando a previsão de prognóstico do câncer gástrico ressecável: Uma análise de aprendizado de máquina combinando características clínicas e radiômica da composição corporal (do inglês “Improving resectable gastric cancer prognosis prediction: A machine learning analysis combining clinical features and body composition radiomics”), sendo conduzido por pesquisadores do Instituto de Física Gleb Wataghin (IFGW) e da Faculdade de Ciências Médicas (FCM) da Unicamp – entre eles, os do CEPID CancerThera.

O que o sistema de estadiamento padrão não vê

Estadiar (ou realizar o estadiamento) é o processo médico de avaliar a gravidade e a extensão de um câncer no corpo do paciente para tentar prever como a doença vai evoluir e ajudar os profissionais de saúde a definirem o melhor tratamento.

Historicamente, a Oncologia se apoia em um sistema de estadiamento conhecido por TNM para prever desfechos clínicos. A sigla, em inglês, se refere a Tumor (tamanho e extensão do tumor principal), Node (que indica se o câncer atingiu os linfonodos) e Metastasis (apontando se a doença se espalhou para outros órgãos).

Por não avaliar a composição corporal, apenas o TNM não consegue dimensionar toda a diversidade de formas de manifestação do câncer, o que pode resultar em pacientes classificados em um mesmo estágio da doença (como os Estágios II ou III), apresentando evoluções e tempos de sobrevida muito diferentes. Essa falta de precisão pode levar a situações nas quais a gravidade é subestimada pelo sistema TNM ou, por outro lado, pode causar um sobretratamento em pacientes que seriam de baixo risco.

“O que mostramos na nossa linha de pesquisa e neste estudo de forma mais detalhada com a IA é que o TNM é apenas parte da história”, explica o Dr. José Barreto Campello Carvalheira, oncologista, professor titular da FCM/Unicamp e pesquisador principal no CancerThera. “Ao incorporar a composição corporal – especialmente características quantitativas do músculo e da gordura extraídas por radiômica – passamos a estadiar não apenas o tumor, mas o paciente como um todo”.

Para chegar a essas conclusões, a equipe utilizou dados e imagens tomográficas (da altura da terceira vértebra lombar – a L3) de 276 pacientes com câncer gástrico tratados no Hospital de Clínicas da Unicamp entre 2009 e 2018. Por meio de algoritmos de aprendizado de máquina, o programa de computador desenvolvido com IA analisou as imagens e extraiu dados radiômicos complexos sobre a composição corporal (especialmente, músculos e gorduras).

O que é radiômica?
é uma técnica que utiliza algoritmos de caracterização de dados para extrair, quantificar e analisar informações detalhadas a partir de exames de imagens médicas, como as CTs. Ela atua como um biomarcador não invasivo, permitindo que computadores quantifiquem de forma abrangente as características físicas e estruturais de um tumor ou do corpo de um paciente.

a radiômica avalia a distribuição dos valores dos pixels e consegue computar inúmeras características matemáticas e estatísticas. Entre as métricas extraídas por esse método estão: percentis da escala de tons de cinza ou radiodensidade (como os percentis 10 e 90 citados anteriormente); entropia, energia e variância; e mediana, assimetria e curtose.

O algoritmo cruzou a composição corporal com dados clínicos e identificou que pacientes no Estágio II (teoricamente menos grave), mas que apresentavam um corpo classificado pela IA como de “alto risco”, tiveram uma expectativa de vida idêntica à de pacientes no Estágio III. “Isso é potencialmente disruptivo porque explica uma limitação clássica da Oncologia: pacientes no mesmo estágio apresentam evoluções muito diferentes”, pontua o médico. “Ou seja, existe uma heterogeneidade biológica relevante que, sozinho, o TNM não captura”, completa.

Imagem tomográfica da altura da **terceira vértebra lombar**, conhecida como L3.

A massa corporal e a evolução da doença

Quando são analisadas as estruturas corporais com precisão (pela tomografia e pela radiômica), sinais indiretos de processos importantes podem ser identificados. O estudo revelou que as extremidades da densidade (os percentis 10 e 90) do músculo e da gordura visceral foram os preditores mais fortes de sobrevivência. Pacientes com radiodensidade anormalmente alta na gordura visceral apresentaram maior perda de peso, menor Índice de Massa Corporal e, consequentemente, viram seu tempo de vida mediano cair pela metade.

As alterações observadas pelos profissionais de saúde funcionam como um retrato de processos graves, como inflamações crônicas (que podem favorecer o crescimento tumoral) e caquexia (uma síndrome de perda extrema de peso e músculo que debilita o paciente e reduz a sua capacidade de tolerar quimioterapias). “Embora o câncer esteja no estômago, ele não é uma doença isolada – ele interage com todo o organismo. Músculos e gorduras são tecidos metabolicamente ativos e refletem o ‘estado interno’ do corpo”, detalha José Barreto.

O pesquisador resume a dinâmica biológica da doença: “O tumor é o problema, mas o estado do corpo define o quanto o paciente consegue reagir a ele. A IA apenas nos ajuda a medir isso com muito mais precisão do que era possível antes”.

Um salto em escala e o papel da IA

Até pouco tempo, realizar essa análise de segmentação de tecidos imagem por imagem era um trabalho exaustivo, demorado e estritamente manual. Com o novo programa de IA, o gargalo operacional deixa de existir. “De fato, o algoritmo permite que a análise da composição corporal seja feita em larga escala”, ressalta o físico Gianni Shigeru Setoue Liveraro, doutorando no IFGW/Unicamp e autor principal do estudo publicado na revista Informatics in Medicine Unlocked.

“No contexto médico, a IA tem sido usada principalmente como uma ferramenta: ela realiza tarefas pontuais e bem determinadas, mas não toma decisões sobre o que deve ser feito. As decisões continuam sendo tomadas por profissionais qualificados”, esclarece o pesquisador. Na visão de Liveraro, o objetivo do programa desenvolvido é otimizar a rotina clínica: “Os resultados deverão ser diagnósticos mais precisos e tratamentos mais eficazes, levando a uma melhor qualidade de vida dos pacientes”.

Apesar dos resultados promissores, os cientistas envolvidos no desenvolvimento do programa de computador usado para segmentação e na sua aplicação médica mantêm a cautela metodológica. O programa, que já teve seu registro efetuado com apoio da Agência de Inovação Inova Unicamp, ainda precisará ser testado em outros estudos clínicos prospectivos e com múltiplos centros de saúde.

Atualmente, os dados fornecidos pelo programa devem ser usados apenas para classificar o nível de risco de cada paciente com câncer de estômago, ajudando a prever quem tem maiores chances de complicações. Neste primeiro momento, a tecnologia não serve para determinar mudanças diretas no tratamento oncológico principal – como alterar doses de quimioterapia ou indicar cirurgias diferentes.

O câncer gástrico, segundo o Instituto Nacional de Câncer (Inca), é a terceira principal causa de mortes por tumores malignos mundialmente, e, mesmo após tratamentos modernos, apresenta altas taxas de recorrência.

Na prática diária dos hospitais, considerando que a taxa de recorrência no câncer gástrico é elevada e a detecção precoce ainda é um desafio, o programa pode funcionar como um importante sinal de alerta, apontando quais pacientes estão mais fragilizados fisicamente e que, por isso, precisam de monitoramento rigoroso e frequente. A partir desse alerta, a equipe de saúde pode agir de forma preventiva em áreas que são fundamentais para a sobrevivência, mas que costumam ser secundárias no tratamento tradicional.

Isso inclui oferecer um suporte nutricional imediato, tentar frear a perda excessiva de massa muscular e controlar inflamações sistêmicas nos doentes identificados como mais vulneráveis. Apenas com a realização de novos estudos no futuro as equipes de saúde poderão saber se a alteração das medicações com base nesses dados ajudará a aumentar o tempo de vida dos pacientes.

“Ainda não sabemos se mudar a conduta com base nesse tipo de modelo melhora a sobrevida. Essa é exatamente a pergunta que precisa ser respondida em estudos prospectivos. Existe, inclusive, um cenário bidirecional a ser testado – tanto intensificar tratamento em pacientes “subestimados” pelo TNM quanto evitar overtreatment em pacientes de baixo risco”, explica o oncologista José Barreto.

Vídeo produzido pelo pesquisador Jun Takahashi explica de maneira simplificada como o programa desenvolvido contribuiu com a equipe de Oncologia na avaliação de dados de pacientes com câncer de estômago.

Por dentro do programa: como a IA enxerga o corpo do paciente

O grande trunfo do programa de computador utilizado é um modelo matemático baseado em Inteligência Artificial (IA) focado na leitura automatizada de Tomografias Computadorizadas (CTs). A principal inovação da ferramenta está no seu nível de detalhamento ao analisar os tecidos musculares e adiposos.

Enquanto algoritmos genéricos costumam identificar órgãos maiores, o programa desenvolvido na Unicamp (com os modelos U-Net e ResNet18) consegue mapear, a partir da imagem de CT da altura da terceira vértebra lombar (L3), e isolar minuciosamente os músculos e a gordura do paciente em três categorias distintas: a subcutânea (localizada logo abaixo da pele), a visceral (acumulada entre as vísceras) e a intramuscular (entremeada nas fibras dos músculos). O programa faz uma máscara na imagem, separando esses tipos de tecidos e colorindo cada um diferentemente – as imagens originais são geradas em tons de cinza pelo aparelho de CT.

O sucesso do programa foi alcançado ao incorporar a vivência do hospital diretamente na programação. A IA aprendeu a ler as imagens adotando o raciocínio clínico de médicos e nutricionistas. “Nós trouxemos a experiência de 10 anos da equipe médica para dentro da arquitetura do código”, explica o Dr. Jun Takahashi, físico nuclear, professor titular do IFGW/Unicamp, pesquisador associado ao CancerThera e responsável pela equipe que desenvolveu o programa.

A tecnologia resolveu um grande gargalo das pesquisas radiômicas: o tempo. O mapeamento dos tecidos que antes exigia de 30 minutos a uma hora de trabalho manual minucioso da equipe médica, agora é resolvido “em menos de um minuto”, ressalta o físico. Além da velocidade, que elimina as variações de análise causadas pelo cansaço natural humano e viabiliza pesquisas com grandes volumes de dados, há o ganho em precisão e uniformidade no processo, sendo muito importante para as práticas científicas. Com a capacidade de gerar laudos instantâneos da composição corporal, a ferramenta pavimenta o caminho para intervenções altamente personalizadas.