A lâmina histopatológica convencional pode conter sinais relacionados à biologia molecular do tumor que ultrapassam os limites da avaliação visual. Um estudo publicado no The American Journal of Pathology demonstrou que um único modelo de inteligência artificial conseguiu analisar imagens digitalizadas de tecidos corados por hematoxilina e eosina, H&E, para estimar mutações no gene TP53, níveis de expressão de RNA, tipo tumoral e desfechos associados à sobrevida em 32 categorias de tumores sólidos.
A pesquisa, desenvolvida por cientistas do Menzies Institute for Medical Research e da University of Tasmania, na Austrália, amplia uma frente relevante da patologia computacional. O objetivo é extrair informações moleculares de lâminas já produzidas na rotina diagnóstica e, a partir delas, identificar casos que devem receber prioridade para exames confirmatórios.
Os resultados indicam uma aplicação potencial em locais onde o acesso ao sequenciamento e a outros ensaios genômicos permanece limitado. O desempenho obtido, contudo, ainda não autoriza o uso do algoritmo como substituto dos métodos moleculares.
Um modelo para diferentes informações tumorais
A maioria dos algoritmos desenvolvidos para patologia computacional concentra-se em uma tarefa específica, como identificar um tipo de tumor, estimar uma alteração genética ou calcular um escore prognóstico. O novo modelo adota uma arquitetura multitarefa baseada em Vision Transformer, ou ViT, capaz de processar diferentes regiões de uma imagem histológica e relacionar padrões morfológicos distribuídos ao longo da lâmina.
O sistema foi estruturado com sete saídas relacionadas à classificação do câncer, ao status mutacional de TP53, à expressão de RNA do gene e a parâmetros de sobrevida global e intervalo livre de progressão, incluindo os respectivos tempos até os eventos clínicos.
Para o treinamento, os pesquisadores utilizaram dados de mais de 11 mil tumores primários do Pan-Cancer Atlas. As imagens de lâminas inteiras foram combinadas com informações de mutações somáticas, sequenciamento de RNA e evolução clínica.
Antes da análise, as imagens passaram por etapas de identificação do tecido, controle de qualidade, normalização da coloração, divisão em pequenos campos de imagem e extração de características digitais. O treinamento ocorreu inicialmente em regiões tumorais selecionadas em diferentes ampliações. Em seguida, o modelo foi ajustado para interpretar a lâmina inteira e integrar as informações encontradas em cada região.
Essa abordagem busca preservar o contexto espacial do tumor. Uma imagem histológica digital pode reunir dezenas de milhares de pequenos campos, com diferenças de arquitetura, celularidade, estroma, necrose, infiltrado inflamatório e qualidade técnica. O desafio computacional consiste em reconhecer quais dessas áreas carregam informações relevantes para cada tarefa.
Aprendizado com menor dependência de anotações manuais
O estudo empregou aprendizado fracamente supervisionado, uma estratégia particularmente útil na análise de imagens histopatológicas de alta resolução. Em vez de exigir que patologistas demarquem manualmente cada região relacionada a determinada alteração molecular, o algoritmo aprende a partir de rótulos gerais associados ao caso e procura, entre os diversos campos da lâmina, os padrões que melhor explicam aquele resultado.
Esse método reduz a necessidade de anotações detalhadas, um processo demorado, oneroso e sujeito a variações entre observadores. A contrapartida é a necessidade de bases de dados bem caracterizadas, com resultados moleculares confiáveis e qualidade pré-analítica suficientemente controlada.
Após o treinamento, o desempenho foi avaliado em um conjunto independente com 1.729 lâminas, representando 32 tipos de tumores sólidos. Para a detecção de mutações em TP53, o modelo alcançou área sob a curva ROC, AUROC, de 0,766.
A AUROC mede a capacidade de diferenciar casos positivos e negativos em diferentes pontos de corte. O resultado demonstra que há sinais morfológicos associados ao status de TP53 que podem ser reconhecidos pelo algoritmo. Ao mesmo tempo, o valor indica uma capacidade discriminatória moderada. Sensibilidade, especificidade e valores preditivos dependerão do limiar escolhido e da prevalência da alteração na população analisada.
O algoritmo também conseguiu estimar a expressão de RNA de TP53 e recuperar informações relacionadas à classificação dos tumores a partir das imagens. A predição de risco prognóstico apresentou desempenho mais limitado, conforme reconhece o próprio artigo científico. Esse dado restringe qualquer interpretação clínica das estimativas de sobrevida nesta fase da pesquisa.
TP53 como marcador de interesse pan-câncer
A expressão pan-câncer descreve uma abordagem que reúne diferentes tipos de neoplasias para identificar características compartilhadas entre tumores originados em órgãos e tecidos distintos. Neste estudo, o mesmo modelo computacional foi aplicado a 32 tipos de tumores sólidos. Isso não significa que a tecnologia rastreie qualquer câncer em pessoas sem diagnóstico, mas que sua avaliação abrangeu múltiplas categorias tumorais.
O gene TP53 codifica a proteína p53, componente central dos mecanismos de resposta a danos no DNA, controle do ciclo celular, senescência e apoptose. Alterações nessa via estão presentes em uma ampla variedade de neoplasias e podem estar associadas à instabilidade genômica, progressão tumoral e resistência a determinados tratamentos.
A relevância de TP53 varia conforme o tipo de câncer, o contexto molecular e a alteração identificada. Seu status não representa, de forma isolada, um marcador terapêutico universal. A avaliação molecular continua necessária para definir a variante, sua classificação, a fração alélica e as possíveis implicações clínicas.
O interesse do estudo está em demonstrar que parte dessa informação biológica deixa uma assinatura morfológica no tecido. Mesmo quando essa assinatura não pode ser reconhecida diretamente pelo olho humano, modelos computacionais podem detectar combinações complexas de características celulares e arquiteturais associadas ao perfil molecular.
O papel mais plausível está na triagem
Os pesquisadores apresentam o algoritmo como uma ferramenta complementar. Em um fluxo diagnóstico, a IA poderia indicar amostras com maior probabilidade de apresentar uma alteração em TP53, contribuindo para priorizar o sequenciamento ou outros ensaios confirmatórios.
Esse uso pode ser relevante em laboratórios com capacidade molecular limitada, diante de grandes volumes de amostras ou quando há necessidade de selecionar os casos com maior probabilidade pré-teste. A análise computacional também preserva o material biológico, pois utiliza a imagem digital de uma lâmina já preparada.
Uma experiência publicada na Nature Medicine em 2025 ajuda a dimensionar essa possível aplicação, embora tenha investigado outro gene e um único tipo tumoral. O modelo EAGLE foi desenvolvido para estimar mutações em EGFR em adenocarcinoma pulmonar. Em uma avaliação prospectiva silenciosa, realizada sem interferir nas decisões clínicas, alcançou AUC de 0,890. O fluxo assistido por IA poderia reduzir em até 43% o número de testes moleculares rápidos, mantendo a confirmação por sequenciamento nos casos indicados. Os autores deixaram claro que a ferramenta atuava como rastreamento, sem substituir o NGS. O estudo foi publicado na Nature Medicine.
A comparação não valida o novo modelo de TP53, pois são algoritmos, populações e finalidades distintas. Ela demonstra, porém, como um biomarcador computacional pode ser incorporado ao fluxo laboratorial quando passa por validação externa, avaliação prospectiva e definição rigorosa dos pontos de corte.
Da base retrospectiva à rotina laboratorial
O estudo australiano representa uma prova de conceito abrangente, baseada em dados retrospectivos. A adoção clínica dependerá de validações multicêntricas que incluam diferentes populações, protocolos de processamento histológico, scanners e padrões de coloração.
Variações na fixação, espessura do corte, intensidade da hematoxilina e eosina, presença de artefatos, celularidade tumoral e qualidade da digitalização podem alterar o desempenho do algoritmo. A composição da base de treinamento também merece atenção. Um sistema desenvolvido a partir de dados pouco representativos pode apresentar queda de precisão quando aplicado a grupos demográficos ou serviços distintos.
Esse cuidado acompanha as recomendações da Organização Mundial da Saúde para sistemas de IA em saúde. A OMS destaca a necessidade de definir a finalidade clínica, documentar o ciclo de vida da tecnologia, realizar validação externa, monitorar a qualidade dos dados e avaliar possíveis vieses antes da implementação.
A integração ainda exige infraestrutura de patologia digital, controle de qualidade das imagens, capacidade de processamento, interoperabilidade com sistemas laboratoriais e supervisão do patologista. Um valor de AUROC obtido em pesquisa, isoladamente, não demonstra benefício clínico, redução de custos ou melhora dos desfechos dos pacientes.
Uma lâmina com novas camadas de informação
Modelos capazes de interpretar lâminas inteiras fazem parte de uma mudança mais ampla na patologia computacional. Em 2024, um estudo publicado na Nature apresentou o Prov-GigaPath, treinado com 1,3 bilhão de campos de imagem provenientes de 171.189 lâminas e 28 centros oncológicos. O modelo obteve desempenho superior em diferentes tarefas de classificação e predição molecular, reforçando o valor de arquiteturas capazes de integrar padrões locais ao contexto global da amostra. Os resultados estão disponíveis na Nature.
O novo trabalho sobre TP53 acrescenta uma perspectiva pan-câncer e multitarefa a esse cenário. Sua contribuição mais consistente está na identificação de correlações reprodutíveis entre morfologia e alterações moleculares em diferentes tumores.
O caminho até a rotina clínica ainda passa por validação prospectiva, comparação com os métodos de referência, análise de custo-efetividade e avaliação do impacto sobre o fluxo laboratorial. Neste estágio, a tecnologia deve ser compreendida como um recurso para rastreamento e apoio à decisão. A confirmação molecular permanece indispensável para orientar a conduta clínica com segurança.
Referência científica
CHAURASIA, A. K. et al. Predicting TP53 Biomarkers from Whole Slide Images across Human Solid Tumors Using Weakly Supervised Learning. The American Journal of Pathology, v. 196, n. 9, 2026. DOI: 10.1016/j.ajpath.2026.05.008.
