Hospital das Clínicas FMUSPDivisão deAnatomia Patológica
Manual de patologia mamáriaRoteiros para formulação de laudos

Parte V · Imunologia, testes moleculares e novas fronteiras · Capítulo 20

Patologia digital e inteligência artificial

A lâmina digital permite medir com o computador o que antes era estimado a olho: mitoses, TILs, biomarcadores e até o risco de recidiva. Os algoritmos melhoram a reprodutibilidade quando seguem as mesmas regras do patologista e são validados para o material do laboratório; o laudo continua sendo responsabilidade de quem o assina.

27,8%
de economia de tempo na contagem de mitoses com apoio de IA, com maior acurácia2
65 / 35
divisão dos tumores grau 2 em baixo e alto risco por um modelo aplicado à biópsia6
4
barreiras ao acesso à patologia em países de renda baixa e média: pessoal, formação, infraestrutura e qualidade8

20.1Do vidro à imagem digital

Fluxo de trabalho com apoio de algoritmo

Cada etapa tem variáveis que afetam o resultado.

Lâmina de HE ou IHQfixação e coloraçãoEscaneamentolâmina inteiraAlgoritmodetecta e contaPatologistarevisa e corrigeLaudoresultado e métodoO algoritmo é ferramenta de apoio; a responsabilidade pelo diagnóstico permanece com o patologista.

Baseado em Amgad et al., 20204, e Soliman et al., 20241.

A inteligência artificial já foi aplicada à detecção de carcinoma invasivo e de metástases linfonodais, à quantificação de receptores hormonais, à graduação, à contagem de mitoses, à avaliação de TILs e à previsão de resposta à neoadjuvância. Variáveis pré-analíticas, necessidade de anotações e diferenciação de células semelhantes ainda limitam o uso1.

20.2Contagem de mitoses

A contagem visual de mitoses continua sendo o padrão, mas tem baixa concordância entre patologistas, o que pode subestimar ou superestimar o grau. O Ki-67 não mostrou melhor concordância nem melhor estratificação prognóstica3. Critérios morfológicos explícitos para mitoses e seus imitadores (núcleos picnóticos, apoptose, linfócitos) servem tanto ao patologista quanto ao treinamento de algoritmos3.

Contar mitoses com e sem apoio de IA

24 leitores de diferentes níveis de experiência, 140 campos de grande aumento.

0%25%50%75%100%Leitores que acharam mais mitoses com IA87,5%Leitores com menos falsos positivos54,2%Economia de tempo27,8%

Pantanowitz et al., 20202. Concordância entre patologistas também aumentou com o apoio.

Na lâmina digital

  • Delimitar uma área de 2 mm² no ponto quente, em vez de contar campos de microscópio (capítulo 8).
  • O estudo de validação usou lâminas escaneadas em 40×2; qualidade de foco e de coloração afetam qualquer algoritmo5.
  • O algoritmo sugere, o patologista confirma cada figura duvidosa.

20.3TILs, biomarcadores e linfonodos

TILs

  • Algoritmos devem reproduzir as diretrizes visuais: estroma dentro da borda do tumor, exclusão de necrose e CDIS4.
  • Validação pré-analítica, analítica e clínica antes do uso em ensaios ou na rotina4.
  • A leitura automatizada de TILs no triplo-negativo traz informação prognóstica1 (capítulo 16).

RE, RP, HER2 e Ki-67

  • A análise quantitativa por imagem melhora a concordância entre observadores na avaliação de receptores hormonais1.
  • Para o Ki-67, a análise de imagem é aceitável quando validada no laboratório11 (capítulo 14).
  • Algoritmos para Ki-67 são uma alternativa reprodutível e de baixo custo10.

Linfonodos

A detecção de metástases em lâminas inteiras foi uma das primeiras aplicações bem-sucedidas, graças à capacidade dos algoritmos de varrer grandes imagens e chamar a atenção para focos pequenos1. É útil sobretudo para células isoladas e micrometástases (capítulo 9).

20.4Estratificação de risco pela imagem

Modelos de aprendizado profundo treinados no HE separam tumores de baixo e alto risco, com foco no grau 2, a categoria mais heterogênea e menos reprodutível6,7.

Tumores grau 2 reclassificados pelo modelo

432 tumores grau 2 na peça cirúrgica, classificados a partir da biópsia pré-operatória.

DeepGrade baixo risco: 281 (65%)DeepGrade alto risco: 151 (35%)

Boissin et al., 20246. O modelo previu os graus 1 e 3 da peça com AUC de 0,908.

Valor prognóstico independente

Razão de riscos entre os grupos de alto e baixo risco, ajustada para fatores estabelecidos.

012345DeepGrade na biópsia (todos)2,01 (1,06–3,79)Stratipath · RE+/HER2−2,76 (1,63–4,66)Stratipath · RE+/HER2− grau 22,2 (1,22–3,98)

Boissin et al., 20246 (896 pacientes); Sharma et al., 20247 (2.719 pacientes, sobrevida livre de progressão).

Promessa e cautela

Ferramentas como essa têm resultado rápido e custo muito menor que os testes moleculares, o que pode ampliar o acesso7. Ainda são validações retrospectivas; não substituem os testes multigênicos validados em ensaios prospectivos (capítulo 17).

20.5Armadilhas e validação

Por que o algoritmo erra

  • Problemas técnicos da lâmina: dobras, bolhas, coloração fraca ou excessiva, foco5.
  • Aspectos do modelo e da análise de imagem: limiares, segmentação de tecido5.
  • Dados de treino pouco representativos de outros laboratórios5.
  • Principal causa de discordância: inclusão de áreas ou células falso-positivas5.

Antes de usar na rotina

  • Validar no próprio laboratório, com o próprio escâner, coloração e casuística.
  • Comparar com a leitura de patologistas experientes e documentar a concordância.
  • Monitorar o desempenho ao longo do tempo e após trocas de reagentes ou equipamentos.
  • Seguir os mesmos padrões de qualidade de qualquer teste (capítulo 11)4.

20.6Locais com poucos recursos

Nos países de renda baixa e média, que concentram grande parte da carga de doença, os serviços de patologia são insuficientes em escopo e qualidade. As quatro barreiras principais são falta de pessoal, formação inadequada, infraestrutura deficiente e falta de padrões de qualidade e acreditação8.

Ferramentas que já existem

  • Equações de Magee: estimam o Recurrence Score a partir do laudo, gratuitamente9 (capítulo 17).
  • Ki-67 bem padronizado e análise de imagem de baixo custo10.
  • Telepatologia e lâminas digitais para segunda opinião e ensaios de proficiência.

O que não muda

Nenhum algoritmo corrige uma lâmina mal fixada ou mal corada. A fase pré-analítica (capítulo 2) e o controle de qualidade da imuno-histoquímica (capítulo 11) continuam sendo a base de qualquer resultado digital.

20.7Roteiro do laudo

Dados para laudo anatomopatológico · Resultados obtidos com apoio digital

Baseado nas recomendações do grupo internacional de biomarcadores4 e na revisão de armadilhas5.

Método essencialInformar que o resultado foi obtido ou auxiliado por análise de imagem ou algoritmo.
Ferramenta e versão essencialNome, versão e situação regulatória; validação local realizada.
Área analisada recomendadoLâmina inteira, ponto quente ou regiões selecionadas; número de células.
Revisão pelo patologista essencialResultado revisado e aceito ou corrigido pelo patologista responsável.
Limitações recomendadoArtefatos ou áreas excluídas que possam afetar o resultado.

Referências

  1. Soliman A, Li Z, Parwani AV. Artificial intelligence's impact on breast cancer pathology: a literature review. Diagn Pathol. 2024;19(1):38. doi:10.1186/s13000-024-01453-w
  2. Pantanowitz L, Hartman D, Qi Y, Cho EY, Suh B, Paeng K, et al. Accuracy and efficiency of an artificial intelligence tool when counting breast mitoses. Diagn Pathol. 2020;15(1):80. doi:10.1186/s13000-020-00995-z
  3. Ibrahim A, Lashen A, Toss M, Mihai R, Rakha E. Assessment of mitotic activity in breast cancer: revisited in the digital pathology era. J Clin Pathol. 2022;75(6):365-72. doi:10.1136/jclinpath-2021-207742
  4. Amgad M, Stovgaard ES, Balslev E, Thagaard J, Chen W, Dudgeon S, et al. Report on computational assessment of tumor infiltrating lymphocytes from the International Immuno-Oncology Biomarker Working Group. NPJ Breast Cancer. 2020;6:16. doi:10.1038/s41523-020-0154-2
  5. Thagaard J, Broeckx G, Page DB, Jahangir CA, Verbandt S, Kos Z, et al. Pitfalls in machine learning-based assessment of tumor-infiltrating lymphocytes in breast cancer: a report of the International Immuno-Oncology Biomarker Working Group on Breast Cancer. J Pathol. 2023;260(5):498-513. doi:10.1002/path.6155
  6. Boissin C, Wang Y, Sharma A, Weitz P, Karlsson E, Robertson S, et al. Deep learning-based risk stratification of preoperative breast biopsies using digital whole slide images. Breast Cancer Res. 2024;26(1):90. doi:10.1186/s13058-024-01840-7
  7. Sharma A, Lövgren SK, Eriksson KL, Wang Y, Robertson S, Hartman J, et al. Validation of an AI-based solution for breast cancer risk stratification using routine digital histopathology images. Breast Cancer Res. 2024;26(1):123. doi:10.1186/s13058-024-01879-6
  8. Wilson ML, Fleming KA, Kuti MA, Looi LM, Lago N, Ru K. Access to pathology and laboratory medicine services: a crucial gap. Lancet. 2018;391(10133):1927-38. doi:10.1016/S0140-6736(18)30458-6
  9. Bhargava R, Dabbs DJ. The story of the Magee equations: the ultimate in applied immunohistochemistry. Appl Immunohistochem Mol Morphol. 2023;31(7):490-9. doi:10.1097/PAI.0000000000001065
  10. Mooghal M, Khan MAA, Samar MR, Shaikh H, Valimohammad AT, Idrees R, et al. Association between Ki-67 proliferative index and Oncotype-Dx recurrence score in hormone receptor-positive, HER2-negative early breast cancers: a systematic review of the literature. Breast Cancer (Auckl). 2024;18:11782234241255211. doi:10.1177/11782234241255211
  11. Nielsen TO, Leung SCY, Rimm DL, Dodson A, Acs B, Badve S, et al. Assessment of Ki67 in breast cancer: updated recommendations from the International Ki67 in Breast Cancer Working Group. J Natl Cancer Inst. 2021;113(7):808-19. doi:10.1093/jnci/djaa201

Manual de patologia mamária · Dr. Roberto Falzoni · Capítulo 20.