Banca de DEFESA: JANICE RODRIGUES FARIAS

Uma banca de DEFESA de MESTRADO foi cadastrada pelo programa.
DISCENTE : JANICE RODRIGUES FARIAS
DATA : 09/01/2026
HORA: 10:00
LOCAL: https://teams.microsoft.com/meet/24686269925766?p=Eei6vVT48VWLpJhD82
TÍTULO:

Inteligência Artificial para Triagem Molecular: Predição de Mutações do EGFR a partir de Lâminas de Hematoxilina-Eosina em uma Coorte Brasileira de Câncer de Pulmão em Cenário de Vida Real

PALAVRAS-CHAVES:

Inteligência artificial; aprendizado profundo; patologia digital; mutação do EGFR; câncer de pulmão de não pequenas células; modelagem preditiva; triagem molecular; lâminas de H&_”

PÁGINAS: 100
RESUMO:

“Introdução: Abordagens baseadas em inteligência artificial (IA) têm emergido como ferramentas promissoras para a predição de alterações genômicas acionáveis diretamente a partir de lâminas coradas por hematoxilina-eosina (H&E), com potencial para otimizar os fluxos de trabalho de testagem molecular. Este estudo avaliou o desempenho do algoritmo EGFR do NSCLC Panel na predição do status mutacional do EGFR a partir de lâminas de H&E de carcinomas pulmonares de não pequenas células (CPNPC) em uma coorte brasileira independente, de vida real, inserida em um contexto de recursos limitados. Métodos: Um total de 214 lâminas de H&E provenientes de 203 pacientes com CPNPC (107 EGFR mutado e 107 tipo selvagem) foi retrospectivamente obtido a partir de arquivos de patologia. Após a exclusão de lâminas com quantidade insuficiente de tecido tumoral ou baixa qualidade, 181 lâminas foram incluídas. Todas as lâminas foram digitalizadas e analisadas utilizando o modelo de IA NSCLC Panel, de forma cega às informações clínicas e moleculares. O desempenho do modelo foi avaliado por meio da análise da curva característica de operação do receptor (ROC), índice de Youden e estimativa bayesiana da probabilidade pós-teste. Resultados: O NSCLC Panel alcançou uma AUC de 0,831 (IC 95%: 0,756–0,887; p < 0,001) para a discriminação entre casos EGFR mutado e tipo selvagem. No ponto de corte ótimo definido neste estudo, o modelo apresentou sensibilidade de 89,6%, especificidade de 68,2%, valor preditivo positivo de 48,5% e valor preditivo negativo de 95,2%, sustentando sua aplicação como ferramenta de prétriagem. Conclusões: O NSCLC Panel demonstrou desempenho preditivo robusto e elevado valor preditivo negativo para a detecção de mutações do EGFR em uma coorte brasileira diversa, de vida real, comparável a modelos internacionais previamente estabelecidos. Esses achados apoiam o uso da prétriagem assistida por IA como uma estratégia viável para otimizar recursos de testagem molecular e possibilitar a introdução mais precoce de terapias-alvo, especialmente em sistemas de saúde de países de baixa e média renda.”

MEMBROS DA BANCA:
Externo à Instituição - ANDRÉ MÁRCIO MURAD - UFMG
Presidente - 3437282 - ANDRE FERREIRA LEITE
Externo à Instituição - MARCOS ANTONIO DOS SANTOS - HUB
Externa ao Programa - 1609346 - MYLENE CHRISTINE QUEIROZ DE FARIAS - null