Aprendizado Profundo para Caracterização Molecular e Genômica do Câncer de Pulmão em Nunca Fumantes Usando Imagens Coradas por Hematoxilina e Eosina

Apesar dos resultados promissores no uso de aprendizado profundo para inferir características genéticas a partir de imagens histológicas de lâminas inteiras (WSIs), nenhum estudo anterior aplicou especificamente esses métodos a adenocarcinomas pulmonares de indivíduos que nunca fumaram tabaco (NS-LUAD) - um subconjunto molecular e histologicamente distinto de câncer de pulmão. Modelos existentes focaram no LUAD de populações predominantemente fumantes, com escopo molecular limitado e desempenho variável. Aqui, propomos uma rede neural convolucional profunda personalizada baseada na arquitetura ResNet50, otimizada para classificação multilabel para NS-LUAD, permitindo a predição simultânea de 16 alterações moleculares a partir de um único WSI corado por H&E. Modificações arquiteturais chave incluíram um bloco residual simplificado de duas camadas sem camadas gargalo, conexões de atalho seletivas, e uma cabeça de classificação baseada em sigmoide para predição independente de cada alteração, projetada para reduzir a complexidade computacional mantendo a acurácia preditiva. O modelo foi treinado e avaliado em 495 WSIs do estudo Sherlock-Lung (70% para treinamento com 10% para teste interno em validação cruzada de 10 dobras, e 30% conjunto de validação separado para avaliação final). Para os dados de validação reservada, nosso modelo obteve altas áreas sob a curva ROC (AUROC =0,84-0,93) para detectar 11 características: mutações EGFR, KRAS, TP53, RBM10, amplificação MDM2, kataegis, deleção CDKN2A, fusão ALK, dobramento do genoma inteiro, e mutações hotspot do EGFR (p. L858R e p. E746A750del). O desempenho foi baixo a moderado para carga mutacional tumoral (AUROC=0,67), assinatura mutacional APOBEC (AUROC=0,57) e mutações hotspot KRAS (p. G12C: AUROC=0,74, p. G12V: AUROC=0,55, p. G12D: AUROC=0,43). Comparado a resultados de arquiteturas estabelecidas como Inception-v3 nas mesmas WSIs, nosso modelo demonstrou desempenho significativamente melhor para a maioria das características. Com otimizações adicionais, nosso modelo pode apoiar o direcionamento para testes moleculares e informar estratégias de tratamento de precisão para pacientes com NS-LUAD.