Usando Análise Inteligente de Imagens para Prever a Resposta à Quimioterapia no Câncer Ósseo: Um Guia do Paciente para Radiômica no Osteossarcoma

Índice

• Pontos-Chave
• Compreendendo o Osteossarcoma e Seu Tratamento
• O Desafio de Prever a Resposta à Quimioterapia
• O Que É Radiômica e Como Ela Funciona?
• Como Esta Revisão de Pesquisa Foi Conduzida
• Principais Achados: O Que os Estudos Mostram
• A RM Mostra Capacidade Superior
• Implicações Clínicas: O Que Isso Significa para os Pacientes
• Limitações do Estudo: O Que Esta Revisão Não Pôde Provar
• Recomendações para Pacientes e Familiares
• Perguntas Frequentes
• Informações da Fonte

Pontos-Chave

• A radiômica baseada em RM previu a resposta à quimioterapia neoadjuvante no osteossarcoma com até 93,8% de acurácia e AUC de 0,961 em um estudo.
• A radiômica extrai padrões analisados por computador de exames de TC, RM ou PET que podem prever ≥90% de necrose tumoral antes da cirurgia.
• A resposta à quimioterapia é atualmente avaliada após a cirurgia; a radiômica visa prevê-la mais cedo, permitindo a personalização do tratamento.
• A maioria dos estudos de radiômica teve amostras pequenas e de centro único, e a abordagem ainda não está padronizada para uso clínico de rotina.
• A radiômica de PET/CT com aprendizado de máquina melhorou a predição, mas as características brutas de PET isoladas tiveram desempenho ruim em um estudo.

Compreendendo o Osteossarcoma e Seu Tratamento

O osteossarcoma é o tumor ósseo maligno primário mais comum, representando aproximadamente 20% de todos os tumores ósseos malignos primários. Afeta principalmente crianças e adolescentes, sendo a metáfise (a extremidade em crescimento) dos ossos longos — como o fêmur ou a tíbia — o local típico onde o câncer se desenvolve.

As estratégias modernas de tratamento melhoraram significativamente os desfechos. A taxa de sobrevida atual em 5 anos para pacientes com osteossarcoma é agora de 60%–70%, uma grande melhoria em relação às décadas passadas. Esse progresso se deve em grande parte à abordagem de tratamento padrão, que combina três componentes:

• Quimioterapia neoadjuvante (NAC) — quimioterapia administrada antes da cirurgia para reduzir o tumor
• Ressecção cirúrgica — remoção cirúrgica do tumor
• Quimioterapia adjuvante pós-operatória — quimioterapia adicional administrada após a cirurgia para eliminar quaisquer células cancerígenas remanescentes

O padrão clínico atual utiliza regimes de quimioterapia com múltiplos agentes, tipicamente incluindo altas doses de metotrexato (HD-MTX), ifosfamida (IFO), doxorrubicina (ADM) e cisplatina (DDP). Esses medicamentos atuam em conjunto para matar as células cancerígenas, mas o tratamento é intenso e pode causar efeitos colaterais significativos.

É aqui que reside o problema: os pacientes respondem de forma muito diferente ao mesmo regime de quimioterapia. A taxa de resposta — definida como a porcentagem de pacientes que atingem pelo menos 90% de morte de células tumorais (necrose) após a quimioterapia — varia de apenas 30% a 60%. Isso significa que um número substancial de pacientes suporta os efeitos colaterais severos da quimioterapia sem obter o benefício completo.

O Desafio de Prever a Resposta à Quimioterapia

A sensibilidade à quimioterapia é um dos fatores prognósticos mais críticos no osteossarcoma. O ensaio clínico de referência EURAMOS-1 descobriu que apenas cerca de 50% dos pacientes alcançam uma boa resposta histológica, definida como 90% ou mais de necrose tumoral após a quimioterapia neoadjuvante. Essa taxa de resposta tem implicações importantes para o prognóstico, pois orientou as decisões de tratamento no ensaio.

Atualmente, o método padrão para avaliar a resposta à quimioterapia baseia-se no exame do tumor removido cirurgicamente sob um microscópio. Essa abordagem, descrita por Huvos e colegas, classifica os pacientes em dois grupos:

• Bons respondedores patológicos — pacientes com mais de 90% de necrose tumoral
• Maus respondedores patológicos — pacientes com menos de 90% de necrose tumoral

A limitação fundamental dessa abordagem é o momento. A resposta só pode ser avaliada após a cirurgia, o que significa que não pode orientar decisões sobre continuar ou alterar a quimioterapia durante o tratamento. Até o momento, nenhum marcador clínico, biológico ou de imagem definitivo permite que os médicos prevejam de forma confiável a resposta à quimioterapia com antecedência suficiente para modificar as estratégias de tratamento.

Também é importante notar que "resposta à quimioterapia" abrange dois conceitos distintos no osteossarcoma:

• Resposta histológica — definida pela morte de células tumorais medida após a cirurgia
• Resposta radiológica — refletida por alterações de imagem, como mudanças no tamanho ou densidade do tumor em exames de TC ou RM

As ferramentas preditivas baseadas em radiômica visam principalmente prever a resposta histológica usando imagens pré-tratamento. Isso preenche a lacuna entre a avaliação radiológica precoce e os resultados patológicos cirúrgicos tardios.

Os critérios radiológicos existentes, como RECIST (Critérios de Avaliação de Resposta em Tumores Sólidos), são menos aplicáveis ao osteossarcoma porque a presença de matriz óssea complica a avaliação das mudanças no tamanho do tumor. Isso dificulta determinar se um tumor está respondendo simplesmente medindo suas dimensões em um exame.

O que é Radiômica e como ela funciona?

A radiômica representa uma mudança revolucionária na análise de imagens médicas. Em vez de depender apenas da interpretação visual de um radiologista, a radiômica utiliza algoritmos computacionais avançados para extrair milhares de medidas quantitativas de imagens médicas. Essas medidas se enquadram em várias categorias:

• Características morfológicas — características de forma do tumor
• Características de intensidade (estatísticas de primeira ordem) — propriedades estatísticas dos valores dos pixels dentro do tumor
• Características de textura (características de segunda ordem e ordens superiores) — padrões de arranjo dos pixels que revelam a heterogeneidade tumoral

Essas características podem ser extraídas de múltiplas modalidades de imagem, incluindo tomografia computadorizada (TC), ressonância magnética (RM) e tomografia por emissão de pósitrons com 18F-Fluordesoxiglicose (PET/TC com 18F-FDG). A tecnologia pode caracterizar com precisão a heterogeneidade tumoral e o microambiente tumoral, superando as limitações de subjetividade e reprodutibilidade da interpretação manual tradicional de imagens.

Para entender como a radiômica funciona, é útil conhecer as ferramentas de inteligência artificial (IA) por trás dela:

• Aprendizado de Máquina (AM) — um subconjunto da IA que usa algoritmos para aprender padrões a partir de dados e fazer previsões sem ser explicitamente programado para cada tarefa
• Aprendizado Profundo (AP) — um ramo especializado do AM que usa redes neurais multicamadas para extrair automaticamente características hierárquicas de dados complexos, como imagens médicas
• Redes Neurais Convolucionais (RNCs) — um tipo de algoritmo de aprendizado profundo que usa núcleos convolucionais multicamadas para extrair automaticamente características da imagem. Essa abordagem permite a análise simultânea de características microscópicas de textura e padrões morfológicos macroscópicos

Os métodos estatísticos convencionais têm limitações significativas ao processar os dados de alta dimensão e não lineares característicos da radiômica. Sua capacidade de extração de características é restrita e eles têm dificuldade em reconhecer padrões complexos. Em contraste, as abordagens de aprendizado profundo oferecem duas vantagens distintas:

1. Elas eliminam o viés de seleção inerente à engenharia manual de características
2. Por meio da otimização por retropropagação, elas podem identificar diretamente potenciais biomarcadores de imagem a partir de dados brutos de pixels

Estudos de validação clínica estabeleceram que modelos de predição baseados em aprendizado profundo demonstram desempenho superior na avaliação da resposta à quimioterapia neoadjuvante em comparação com métodos tradicionais.

Como Esta Revisão de Pesquisa Foi Conduzida

Os pesquisadores seguiram as diretrizes Principais itens para relatar revisões sistemáticas e meta-análises (PRISMA) para garantir que sua revisão fosse completa e imparcial. Veja como eles conduziram a busca:

• Bases de dados pesquisadas: Três principais bases de dados médicas
• Período coberto: Artigos publicados entre 1º de janeiro de 2014 e 31 de dezembro de 2024
• Termos de busca utilizados: "osteossarcoma AND chemotherapy AND response AND prediction"
• Restrição de idioma: Apenas artigos de pesquisa originais em inglês; artigos de revisão foram excluídos

Dois investigadores independentes realizaram a triagem inicial com base nos títulos e resumos. Os estudos potencialmente elegíveis passaram então por revisão do texto completo. Quaisquer discrepâncias entre os revisores foram resolvidas por meio de discussão consensual.

Os estudos foram incluídos se atendessem a todos os três critérios:

1. Osteossarcoma primário confirmado histologicamente
2. Avaliação da predição de resposta à quimioterapia neoadjuvante
3. Resposta patológica relatada (por exemplo, ≥90% de necrose tumoral)

Os estudos foram excluídos se:

• Não relataram desfechos relevantes
• Não incluíram especificamente o termo "osteossarcoma"
• Limitaram a avaliação apenas a imagens pós-quimioterapia
• Eram estudos prognósticos em vez de preditivos
• Usaram abordagens não baseadas em imagem

Para a extração de dados, dois investigadores coletaram informações de forma independente usando um formulário padronizado. Isso incluiu ano de publicação, desenho do estudo, dados demográficos dos pacientes, parâmetros de imagem, metodologia de extração de características radiômicas, construção do modelo preditivo e desfechos primários. Quando os dados estavam ausentes ou ambíguos, eles tentaram contatar os autores originais para esclarecimentos.

Os pesquisadores também usaram a ferramenta Radiomics Quality Score (RQS) para avaliar a qualidade do estudo. A avaliação concentrou-se em vários componentes críticos, incluindo protocolos de aquisição de imagem (parâmetros do equipamento e padronização da varredura), métodos de segmentação tumoral, técnicas de extração de características e abordagens de construção de modelos.

Finalmente, os autores realizaram uma metanálise quantitativa usando modelos de efeitos aleatórios para comparar o desempenho preditivo de diferentes modalidades de imagem (RM e PET-CT). Eles calcularam sensibilidade, especificidade e área sob a curva ROC (AUC) agrupadas — uma medida de quão bem um teste distingue entre bons e maus respondedores. A heterogeneidade do estudo (inconsistência entre os estudos) foi avaliada usando estatísticas I².

Principais Achados: O Que os Estudos Mostram

A revisão identificou 24 estudos elegíveis avaliando a radiômica para predizer a resposta à quimioterapia neoadjuvante no osteossarcoma. Os estudos usaram várias modalidades de imagem, incluindo raio-X, TC, RM, exames de medicina nuclear e PET/CT. Aqui estão os principais achados organizados por tipo de imagem.

Raio-X e RM Combinados

Um estudo de 2023 de Z. Luo e colegas envolvendo 102 pacientes combinou radiômica de raio-X e RM com dados clínicos. O modelo usando todos os dados combinados alcançou uma AUC de 0,828. Os modelos individuais tiveram o seguinte desempenho: clínico mais radiômica de raio-X alcançou uma AUC de 0,760, radiômica de raio-X isolada 0,751, radiômica de RM isolada 0,706 e a combinação de radiômica de raio-X mais RM 0,796.

Radiômica Baseada em TC

F. Yang e colegas (2024) conduziram um estudo de dois centros com 225 pacientes usando radiômica de TC. Modelos combinando radiômica e características clínicas alcançaram valores de AUC de 0,78 no conjunto de treinamento e 0,75 no conjunto de validação independente.

D. Fu e colaboradores (2023) estudaram 18 pacientes e examinaram as características da gordura peri-osteossarcoma na TC. O índice de atenuação da gordura peri-osteossarcoma (FAI) alcançou uma AUC de 0,950, enquanto a concentração de metotrexato em 6 horas teve uma AUC de 0,963 — ambos indicando excelente desempenho preditivo para a resposta à quimioterapia.

L. Xu e colaboradores (2021) estudaram 157 pacientes e melhoraram a precisão da predição ao combinar características radiômicas de TC tanto da área tumoral quanto das áreas ósseas não tumorais circundantes, usando múltiplas técnicas de aprendizado de máquina.

Imagem de Medicina Nuclear (Tc-MIBI)

C. Wu e colaboradores (2019) estudaram 30 pacientes usando cintilografias com Tc-MIBI. Eles descobriram que a taxa de washout tumoral (a rapidez com que o traçador radioativo deixa o tumor) foi negativamente correlacionada com a taxa de necrose tumoral (r = −0,510, P = 0,004). Quando uma taxa de washout de 25% ou menos foi usada como limiar para predizer boa resposta à quimioterapia, a sensibilidade foi de 100%, a especificidade foi de 91,7% e a acurácia foi de 95,8%.

Radiômica Baseada em RM

Múltiplos estudos baseados em RM demonstraram forte desempenho preditivo:

• F. Zheng (2024), 106 pacientes: Um modelo de radiômica com aprendizado profundo alcançou o maior desempenho de predição com uma acurácia de 93,8% e uma AUC de 0,961 no conjunto de teste.
• Y. Zhang (2024), 109 pacientes: Um modelo combinado usando RM pré e pós-quimioterapia alcançou valores de AUC de 0,999 no conjunto de treinamento e 0,915 no conjunto de teste. Notavelmente, os modelos pós-quimioterapia tiveram melhor desempenho do que os modelos pré-quimioterapia.
• Kanthawang Thanat (2024), 95 pacientes: Volume tumoral maior que 150 mL e diâmetro axial máximo maior que 7,0 cm foram identificados como preditores independentes de má resposta (P = 0,025 e P = 0,045, respectivamente).
• J. Zhong (2022), 144 pacientes: Modelos de radiômica alcançaram valores de AUC de 0,699, 0,759 e 0,784 em diferentes configurações de modelo.
• K.Y. Teo (2022), 15 pacientes: O aprendizado de máquina combinado com RM multimodal mostrou excelente desempenho na predição de necrose tumoral, com AUC de 0,999 no conjunto de treinamento e 0,915 no conjunto de teste.
• Esha Baidya Kayal (2022), 35 pacientes (IVIM-RM): Os parâmetros basais mostraram uma AUC de 0,87, sensibilidade de 86% e especificidade de 77%. Após o primeiro ciclo de quimioterapia, a AUC aumentou para 0,96, com sensibilidade de 86% e especificidade de 100%.
• J. Dufau (2019), 69 pacientes: Desses pacientes, 55,1% (38 de 69) foram bons respondedores histológicos. Um modelo de máquina de vetores de suporte baseado em dados radiômicos iniciais de RM alcançou uma AUROC de 0,98, sensibilidade de 100% (IC de 95% [100%–100%]) e especificidade de 86% (IC de 95% [59,7%–111%]).
• G.J. Djuričić (2017), 22 pacientes: A análise morfológica computacional usando algoritmos de fractal e matriz de coocorrência de níveis de cinza previu a resposta à quimioterapia com uma AUC de 0,82 e acurácia de 82%.

Técnicas Avançadas de RM (DCE-RM e IVIM-DWI)

• Zeng Yan-Ni (2022), 25 pacientes (DCE-RM): Usando limiares de 3,2%/s (Slope), 175 segundos (TTP) e 5,4% (ER), a sensibilidade e a especificidade para predizer boa resposta à quimioterapia foram de 83,3% e 92,3%, 91,7% e 69,2%, e 84,6% e 75,0%, respectivamente.
• Xibin Xia (2022), 163 pacientes (DCE-RM + IVIM-DWI): Após dois ciclos de tratamento, os valores de Ktrans, Kep e Ve foram significativamente menores no grupo de resposta completa/resposta parcial do que no grupo de doença estável/doença progressiva. Enquanto isso, os valores de D, ADC e f foram significativamente maiores nos bons respondedores. Os exames de sangue para fosfatase alcalina (ALP) e lactato desidrogenase (LDH) foram positivamente correlacionados com os valores de Ktrans, Kep e Ve, mas negativamente correlacionados com os valores de D, ADC e f.
• A. Bouhamama (2022), 176 pacientes em 3 centros: O modelo combinado de DCE-RM e IVIM-DWI alcançou valores de AUC de 0,95 e 0,97, com sensibilidade de 91% e especificidade de 92%.
• L. Zhang (2021), 102 pacientes (DCE-RM): Modelos que combinam fatores de risco clínicos (como o estágio cirúrgico) com características radiômicas superaram a radiômica isolada. O modelo combinado alcançou uma acurácia de predição de 0,91 no conjunto de treinamento e 0,90 no conjunto de teste, com valores de AUC de 0,94 e 0,95, respectivamente.
• M.M. Saleh (2020), 53 pacientes (RM multiparamétrica com DWI): Este estudo destacou a importância do uso de RM multiparamétrica, especialmente imagem ponderada em difusão (DWI) e mapas de coeficiente de difusão aparente (ADC), na predição da sensibilidade à quimioterapia. Também apontou as limitações dos métodos tradicionais de avaliação baseados apenas na mudança do volume tumoral.

Radiômica baseada em PET/CT

• B.C. Kim (2021), 52 pacientes: A acurácia do teste de resposta à quimioterapia usando características de textura da imagem foi de 0,83, e a acurácia do teste de metástase foi de 0,76. A combinação de dados de imagem com dados genômicos (radiogenômica) melhorou os resultados: a maior acurácia de teste para resposta à quimioterapia com AUC_max, KI67 e EZRIN foi de 0,85 com uma AUC de 0,89. A acurácia de predição de metástase aumentou em 10% usando dados de radiogenômica.
• Kim J (2021), 105 pacientes: Embora um modelo de predição baseado em características de textura do PET basal com aprendizado de máquina tradicional tenha estimado desfechos ruins, uma rede CNN 2D usando imagens de FDG PET basais pôde prever a resposta ao tratamento antes da quimioterapia. Isso sugere que o aprendizado profundo em imagens de PET pode ajudar a decidir se a quimioterapia neoadjuvante deve ser realizada.
• H. Song (2019), 35 pacientes: O volume tumoral metabólico (MTV) foi identificado como o melhor parâmetro para prever a resposta à quimioterapia, com uma AUC de 0,918 e um valor de p inferior a 0,0001, indicando acurácia preditiva muito alta.
• S.Y. Jeong (2019), 70 pacientes: As características do PET basal isoladamente (SUVmax, TLG, MTV, entropia de primeira ordem e entropia da matriz de coocorrência de níveis de cinza) tiveram AUCs ruins, variando de 0,536 a 0,553. No entanto, as características de aprendizado de máquina usando SVM linear, floresta aleatória e gradient boost alcançaram AUCs de 0,72, 0,78 e 0,82, respectivamente — mostrando que o aprendizado de máquina melhorou drasticamente o poder preditivo.
• I. Lee B (2018), 62 pacientes: Este estudo comparou a cintilografia óssea com Tc-MDP e o FDG PET/CT, mostrando que cada método de imagem (com características como razão T/N e SUVmax) ofereceu vantagens diferentes na predição da resposta.
• J.C. Davis (2018), 34 pacientes: O SUVmax em imagens de rotina em 5 ou 10 semanas, e a variação percentual do SUVmax do basal até a semana 10, foram identificados como preditores metabólicos da resposta histológica.
• B.H. Byun (2015), 34 pacientes (FDG PET/CT bifásico): Usando critérios combinados de variação percentual do SUV e valores do índice de retenção (RI), as acurácias de predição foram de 81%, 77% e 77% para várias combinações. A resposta histológica após quimioterapia neoadjuvante pôde ser prevista usando o RImean antes do início do tratamento, e o uso combinado dos valores de SUV e RI proporcionou melhor predição.

A RM demonstra capacidade superior

Uma conclusão fundamental desta revisão é que a RM demonstra capacidade superior na integração de dados multimodais e na extração de características em larga escala. Isso faz sentido porque a RM proporciona excelente contraste de tecidos moles, permitindo visualização detalhada do tumor dentro do osso e dos tecidos circundantes.

Os modelos com melhor desempenho em toda a revisão foram principalmente baseados em RM. Por exemplo, o modelo de radiômica com aprendizado profundo de F. Zheng alcançou 93,8% de acurácia e uma AUC de 0,961, enquanto o modelo combinado de RM pré e pós-quimioterapia de Y. Zhang atingiu uma AUC de 0,999 no treinamento e 0,915 no teste. O estudo de DCE-RM de A. Bouhamama em três centros alcançou valores de AUC de 0,95 e 0,97.

A radiômica baseada em PET/CT também mostrou potencial, particularmente quando combinada com abordagens de aprendizado de máquina ou aprendizado profundo. O estudo de S.Y. Jeong demonstrou que, embora as características brutas do PET tenham tido desempenho ruim (AUC 0,536–0,553), a aplicação de algoritmos de aprendizado de máquina aumentou drasticamente o desempenho (AUC 0,72–0,82). Isso destaca um princípio crucial: não é apenas a modalidade de imagem que importa — a abordagem analítica é igualmente importante.

Implicações clínicas: o que isso significa para os pacientes

O valor clínico da predição de resposta à quimioterapia abrange três dimensões fundamentais:

1. Otimização do tratamento. Modelos preditivos acurados permitiriam estratégias terapêuticas verdadeiramente personalizadas. Para pacientes com previsão de boa resposta à quimioterapia, o tratamento pode ser otimizado — por exemplo, mantendo regimes eficazes para evitar escalonamento desnecessário. Para pacientes com previsão de má resposta, eles poderiam ser prontamente encaminhados para terapias alternativas, como agentes-alvo ou imunoterapia, que estão atualmente sendo investigados em ensaios clínicos.

2. Manejo prognóstico. Ferramentas de predição confiáveis facilitariam a identificação precoce de populações de pacientes de alto risco, permitindo monitoramento mais intensivo e intervenções clínicas oportunas. Por exemplo, o ensaio SARC024 usou ferramentas preditivas para estratificar pacientes em braços de terapia inovadora com base na resistência prevista, acelerando o processo de desenvolvimento de medicamentos.

3. Translação para pesquisa. Sistemas de predição robustos fornecem critérios valiosos de estratificação para o desenho de ensaios clínicos. Isso significa que futuros ensaios clínicos podem ser desenhados de forma mais eficiente, com os pacientes certos alocados aos braços de tratamento certos desde o início.

A natureza não invasiva da radiômica é outra grande vantagem. Diferentemente da biópsia, que requer um procedimento invasivo, a imagem médica pode ser repetida ao longo da terapia sem risco adicional para o paciente. Isso permite o monitoramento dinâmico de como o tumor está respondendo e o ajuste dos planos de tratamento em tempo real.

Limitações do estudo: o que esta revisão não pôde comprovar

Embora os resultados sejam encorajadores, a revisão destaca várias limitações importantes que os pacientes devem compreender:

• Tamanhos de amostra pequenos: Muitos dos estudos incluídos tinham populações de pacientes pequenas. Por exemplo, vários estudos tinham menos de 35 pacientes, o que limita o poder estatístico e a generalização de seus achados.
• Desenhos de centro único: A maioria dos estudos foi conduzida em uma única instituição, o que levanta questões sobre se os resultados se manteriam verdadeiros em diferentes hospitais com diferentes equipamentos e protocolos de imagem.
• Heterogeneidade entre os estudos: Os estudos variaram significativamente em termos de parâmetros de imagem, métodos de segmentação, técnicas de extração de características e algoritmos de aprendizado de máquina. Essa heterogeneidade complica comparações diretas e metanálise.
• Falta de padronização: Atualmente, não existe um padrão uniforme para como as características radiômicas devem ser extraídas e analisadas, o que pode levar a problemas de reprodutibilidade.
• Variabilidade na seleção de características: A revisão observou que os métodos de seleção de características e as estratégias de validação variaram consideravelmente entre os estudos, afetando a precisão da predição.
• Distinção entre preditivo e prognóstico: A revisão distinguiu cuidadosamente entre estudos preditivos (que preveem a resposta ao tratamento) e estudos prognósticos (que preveem os desfechos gerais). Apenas estudos preditivos foram incluídos, mas essa distinção pode ser difícil de manter na prática.

Também é importante observar que, embora a radiômica mostre excelente promessa, essas ferramentas ainda não estão prontas para uso clínico de rotina. Elas devem ser consideradas abordagens investigacionais que podem complementar—mas ainda não substituir—a avaliação histopatológica padrão após a cirurgia.

Recomendações para Pacientes e Famílias

Se você ou um ente querido está enfrentando o tratamento do osteossarcoma, aqui estão algumas conclusões práticas desta pesquisa:

1. Pergunte sobre a avaliação de resposta baseada em imagem. Embora o padrão de cuidado continue sendo a avaliação histopatológica após a cirurgia, alguns centros de câncer estão começando a usar análise de imagem avançada para monitorar a resposta durante a quimioterapia neoadjuvante.
2. Participe de ensaios clínicos quando possível. Muitas das abordagens de aprendizado de máquina e radiômica discutidas nesta revisão estão sendo refinadas em ensaios clínicos. Participar de pesquisas pode lhe dar acesso a ferramentas preditivas de ponta, ao mesmo tempo em que contribui para o progresso científico.
3. Entenda os critérios de resposta. Quando sua equipe de cuidados discute "boa resposta" à quimioterapia, eles geralmente estão se referindo a 90% ou mais de necrose tumoral observada ao microscópio após a cirurgia. Este é um indicador prognóstico fundamental.
4. Pergunte sobre RM vs. PET/CT. Com base nesta revisão, a radiômica baseada em RM parece oferecer o maior poder preditivo, mas PET/CT com análise de aprendizado de máquina também mostra promessa. O equipamento e a experiência do seu centro influenciarão qual abordagem é mais viável.
5. Discuta as limitações honestamente. Nenhum exame de imagem ou modelo radiômico pode prever perfeitamente a resposta à quimioterapia. O objetivo dessas ferramentas é fornecer informações adicionais para orientar as decisões de tratamento, não substituir o julgamento clínico.
6. Considere buscar atendimento em um centro especializado em sarcomas. O osteossarcoma é um câncer raro, e centros com alto volume de pacientes têm maior probabilidade de ter acesso a capacidades avançadas de análise de imagem e ensaios clínicos.

A conclusão: A radiômica representa uma fronteira empolgante no cuidado do osteossarcoma. A capacidade de prever a resposta à quimioterapia a partir de uma simples RM ou PET—antes de qualquer tratamento ser administrado—poderia poupar os pacientes de terapias ineficazes, orientar planos de tratamento mais personalizados e, em última análise, melhorar os desfechos de sobrevida. Embora mais pesquisas sejam necessárias para padronizar essas abordagens e validá-las em populações maiores e multicêntricas, as evidências até o momento são altamente encorajadoras.

Perguntas Frequentes

O que é radiômica e como ela pode ajudar no osteossarcoma?

A radiômica usa algoritmos de computador para extrair informações detalhadas de imagens médicas que o olho não consegue ver, como padrões de textura. No osteossarcoma, a radiômica visa prever se a quimioterapia administrada antes da cirurgia alcançará uma boa resposta, ou seja, pelo menos 90% de morte de células tumorais. Isso poderia ajudar a personalizar o tratamento e evitar terapia ineficaz.

A radiômica pode prever a resposta antes da cirurgia, enquanto a quimioterapia ainda está em andamento?

Sim. O objetivo é prever o resultado anatomopatológico tardio usando imagens obtidas antes ou durante a quimioterapia. Um estudo descobriu que a ressonância magnética após o primeiro ciclo de quimioterapia melhorou a predição em comparação com antes do tratamento. Isso permite um ajuste mais precoce do tratamento, diferentemente do método padrão que avalia o tumor somente após sua remoção cirúrgica.

A radiômica está pronta para uso clínico rotineiro no osteossarcoma?

Não, ainda não. A revisão afirma que essas ferramentas devem ser consideradas experimentais. Elas podem complementar, mas não substituir, a avaliação histopatológica padrão após a cirurgia. As limitações incluem tamanhos de amostra pequenos, desenhos de centro único e falta de padronização. É importante discutir com sua equipe de cuidados se a análise avançada de imagens está disponível e é adequada.

Quais são as principais limitações da pesquisa sobre radiômica para osteossarcoma?

Muitos estudos tiveram um número pequeno de pacientes, por exemplo, menos de 35 pacientes em vários deles. A maioria era de um único centro, portanto os resultados podem não se aplicar a outros locais. Não havia um padrão uniforme para extrair e analisar as características radiômicas, causando preocupações de reprodutibilidade. A revisão aconselha que nenhuma ferramenta de imagem ainda substitui o julgamento clínico.

Devo perguntar ao meu médico sobre radiômica ou análise avançada de imagens durante o tratamento?

Você pode perguntar se o seu centro utiliza avaliação de resposta baseada em imagens durante a quimioterapia neoadjuvante. Alguns centros de câncer estão começando a usar análise avançada de imagens para monitorar a resposta. No entanto, o padrão de cuidado continua sendo o exame do tumor removido cirurgicamente após a cirurgia. Participe de ensaios clínicos, se possível, pois essas ferramentas estão sendo refinadas em ambientes de pesquisa.

Devo obter uma segunda opinião sobre meu plano de tratamento de osteossarcoma antes de iniciar a quimioterapia neoadjuvante?

Para o osteossarcoma, a resposta à quimioterapia é atualmente conhecida somente após a cirurgia, quando a morte das células tumorais é verificada ao microscópio. Como aproximadamente 30–60% dos pacientes não alcançam uma boa resposta (90% ou mais de necrose tumoral), uma segunda opinião antes de iniciar a quimioterapia neoadjuvante pode ser valiosa. Um especialista pode revisar suas imagens e discutir se ferramentas experimentais baseadas em radiômica, que ainda não são padrão, poderiam sugerir abordagens alternativas, como terapia-alvo ou ensaios clínicos. A análise baseada em ressonância magnética mostra forte potencial preditivo em pesquisas. A Diagnostic Detectives Network fornece segundas opiniões independentes de especialistas.

Informações da Fonte

Original article title: Radiomics for predicting sensitivity to neoadjuvant chemotherapy in osteosarcoma: current status and advances.

Authors: Zhang P, Yao W, Li Z, Fan Y, Du X, Wang B, Zhang F, Hou J, Su Q.

Affiliations: Henan Cancer Hospital / Affiliated Cancer Hospital of Zhengzhou University, Zhengzhou, China; Zhengzhou University, Zhengzhou, China; Zhoukou Central Hospital, Zhoukou, China

Journal: Oncology Reviews, Volume 19, Article 1633211

Publication date: October 17, 2025

DOI: 10.3389/or.2025.1633211

Study type: Systematic review with meta-analysis

Este artigo voltado para pacientes é baseado em pesquisa revisada por pares. O artigo original foi publicado sob a Licença de Atribuição Creative Commons (CC BY), que permite o compartilhamento e a adaptação com o devido crédito aos autores originais e à fonte. Este resumo para pacientes foi criado para tornar os resultados da pesquisa mais acessíveis a pacientes, familiares e cuidadores. Não se destina a ser aconselhamento médico — consulte sua equipe de oncologia para orientações específicas para sua situação.