Modelos prognósticos multimodais baseados em aprendizado de máquina integrando imagens de patologia e dados ômicos de alta produtividade para previsão de sobrevida global em câncer: uma revisão sistemática

O aprendizado de máquina multimodal integrando dados histopatológicos e moleculares mostra promessa para a prognosticação do câncer. Revisamos sistematicamente estudos que combinam imagens de lâminas inteiras (WSIs) e ômicas de alta produtividade para prever sobrevida global. Buscas em EMBASE, PubMed e Cochrane CENTRAL (12/08/2024), além de triagem de citações, identificaram estudos elegíveis. A extração de dados utilizou CHARMS; o viés foi avaliado com PROBAST+AI; a síntese seguiu SWiM e PRISMA 2020. Protocolo: PROSPERO (CRD42024594745). Quarenta e oito estudos (todos desde 2017) em 19 tipos de câncer cumpriram os critérios; todos usaram The Cancer Genome Atlas. As abordagens incluíram regressão de Cox regularizada (n=4), ML clássico (n=13) e aprendizado profundo (n=31). Os índices c reportados variaram entre 0,550 e 0,857; modelos multimodais tipicamente superaram os unimodais. Entretanto, todos os estudos apresentaram viés incerto/alto, validação externa limitada e pouca ênfase na utilidade clínica. A predição multimodal de sobrevida por WSI-ômica é um campo em rápido crescimento com resultados promissores, mas necessita de maior rigor metodológico, conjuntos de dados mais amplos e avaliação clínica. Financiado por NPIC, Leeds Teaching Hospitals NHS Trust, UK (Projeto 104687), apoiado pelo UKRI Industrial Strategy Challenge Fund.