Estudo sugere que modelos IA ajudam patologistas reduzir discrepâncias na quantificação imunohistoquímica, incluindo PD-L1 22C3 CPS, em especial ao avaliar dados de diferentes instituições, como em ambiente de telepatologia, melhorando concordância de avaliações na pontuação positiva combinada, CPS, em vários fatores, resultando aumento na concordância completa de 82,1% para 93,9%. A pontuação positiva combinada, CPS, quantifica a expressão de PD-L1 22C3, mas pode variar entre patologistas devido consideração da positividade das células imunológicas e tumorais, um analisador PD-L1 CPS alimentado por IA foi desenvolvido usando 1.275.907 células e 6.175,42 mm2 de tecido anotado por patologistas, extraído de 400 imagens de lâminas inteiras coradas com PD-L1 22C3. Houveram 446 casos, 82,1%, em que os resultados do CPS estavam em total concordância entre patologistas e 486 casos, 89,5%, em que os resultados do CPS alimentado por IA corresponderam ao consenso de 2 ou mais patologistas, sendo que o modelo IA contribuiu para melhorar concordância entre patologistas em vários fatores, incluindo hospital, tipo de amostra, estágio patológico, subtipos histológicos e tipo de célula dominante positiva para PD-L1, já que nos resultados revisados, a discordância de avaliação entre lâminas de diferentes hospitais foi atenuada.
Casos de classificação histopatológica de tumores melanocíticos, de pele, com características spitzóides permanece tarefa desafiadora sendo confrontadas complexidades envolvidas na classificação histológica desses tumores, propondo algoritmos de aprendizado de máquina, ML, que categorizam objetivamente características mais relevantes em ordem de importância, em conjunto de dados compreendendo 122 tumores, 39 benignos, 44 atípicos e 39 malignos, de 4 países diferentes. O algoritmo gaussiano ingênuo de Bayes distinguiu nevus de Spitz de tumores spitzóides malignos com precisão de 95% e escore kappa de 0,87, utilizando 12 variáveis mais importantes e, para tumores Spitz benignos versus não benignos, o teste atingiu pontuação kappa de 0,88 usando as 13 características com pontuação mais alta e, para a comparação entre tumores Spitz atípicos, AST, e melanoma Spitz, o algoritmo de regressão logística alcançou valor kappa de 0,66 e taxa de precisão de 0,85. Na comparação das 3 categorias a maioria foi classificada como melanoma, devido semelhanças nas características histológicas entre os 2 grupos, sendo que os resultados mostram-se promissores no apoio à classificação histológica desses tumores na prática clínica fornecendo informações sobre uso de Aprendizado de Máquina, ML, para melhorar precisão e objetividade desse processo, minimizando a variabilidade inter observador. Os algoritmos propostos representam solução potencial à falta de limiar claro à classificação do tumor Spitz/spitzóide e sua elevada precisão apóia a utilidade como ferramenta útil para melhorar tomada de decisões diagnósticas, sendo que modelos de aprendizado de máquina melhoram a decisão diagnóstica histopatológica, classificando importância das variáveis histológicas à classificação dos tumores Spitz e spitzóides.
Moral da Nota: Sophie Spitz descreveu casos de 13 crianças com tumores melanocíticos com características histopatológicas de malignidade, com evolução favorável, exceto um caso com resultado fatal, identificando 4 questões, 2 relacionadas a fatores clínicos e tratamento e 2 relacionadas a características histológicas, como ferramentas úteis para delinear diferenças em relação ao melanoma convencional e como marcador de comportamento clínico cunhando o termo 'melanomas juvenis' para estes tumores, embora saibamos que aparecem em populações mais idosas. Atualmente, conhecidos como tumores de Spitz, ST, quando, além de uma morfologia típica, grande epitelióide e /ou células melanocíticas fusiformes com atipia nuclear variável, abrigam mutações HRAS ou fusões de genes quinase, mas nenhuma mutação BRAF ou NRAS, por outro lado, tumores com a mesma morfologia sem conhecimento das alterações genéticas e/ou presença de mutação BRAF ou NRAS podem ser categorizados como tumores spitzóides. Os tumores de Spitz são categorizados como benignos, malignos e uma 3ª categoria de desafio diagnóstico entre o nevo de Spitz, SN, melanoma de Spitz, SM, e melanocitoma de Spitz/tumor de Spitz atípico, AST, mesma subclassificação é aplicada aos tumores spitzóides SN, SoidM e ASoidT, sendo a última uma das mais difíceis de identificar representando 2% de todas as TS e, embora a maioria tenha resultado positivo, há percentagem que pode resultar em consequências fatais e metástases à distância. Na literatura científica, tentativas de subclassificar este grupo de tumores com base em características histológicas criam limites com o desafio residindo no fato que as mais de 20 características histológicas utilizadas ao diagnóstico de TS ainda não foram priorizadas objetivamente ou avaliadas para determinar impacto no diagnóstico histopatológico. A IA aplicada à histopatologia, conhecida como patologia computacional, mostra benefícios no aumento da eficiência e precisão do diagnóstica, fornecendo medições quantitativas de biomarcadores para classificar doenças em subtipos e prever resultados, reduzindo variabilidade inter observador em diferenciar tumores benignos de malignos e sua classificação, no entanto, pequena fração desses estudos é aprovada para fins clínicos devendo-se principalmente à falta de generalização das metodologias como um dos problemas mais comuns. Estudo realizado no Departamento de Patologia do Hospital de Clínicas Universitárias de Valência, Espanha, buscando eficácia de um modelo de ML na classificação de tumores spitzóides para auxiliar patologistas no uso objetivo de informações clínicas e histológicas, utilizando modelos ML multiclasse na distinção entre SN, ASoidT e SoidM nomeadamente, regressão logística, LR, bayes ingênuos gaussianos, GNB, máquinas de vetores de suporte, SVM, árvore de decisão, DT, e K-vizinho mais próximo, KNN, avalia capacidade do modelo ML de prever e subclassificar tumores com base nas variáveis clinicopatológicas tabuladas como entrada, mostra diferentes vantagens pela complexidade da tarefa e natureza dos dados permitindo desenvolvimento de modelos eficientes, mesmo com dados limitados. Provaram ser viáveis na distinção entre tumores melanocíticos benignos e malignos mostrando potencial promissor em facilitar diagnóstico de tumores melanocíticos desafiadores com características spitzóides, utilizando modelos de ML para categorizar objetivamente os parâmetros clinicopatológicos, não só simplificando o processo diagnóstico, minimizando o número de variáveis necessárias, mas aumentando a precisão diagnóstica para estes tumores com estado de mutação BRAF/NRAS conhecido ou desconhecido, sendo que o método pode potencialmente reduzir a variabilidade inter observador entre patologistas, melhorando a categorização morfológica dos tumores, além de facilitar a interpretação diagnóstica histopatológica.