Aplicação de Inteligência Artificial na personalização do tratamento de câncer pediátrico: análise de dados genômicos e imagens
DOI:
https://doi.org/10.34119/bjhrv8n5-090Keywords:
inteligência artificial, câncer pediátrico, oncologia de precisão, aprendizado de máquina, genômicaAbstract
Introdução: O câncer pediátrico representa um desafio no diagnóstico e tratamento, devido à sua heterogeneidade molecular. A inteligência artificial (IA) tem se destacado como ferramenta promissora na oncologia de precisão, ao integrar dados genômicos e imagens médicas com o objetivo de otimizar estratégias terapêuticas. Embora modelos de aprendizado profundo tenham aprimorado diagnósticos e previsões terapêuticas, limitações como a qualidade dos dados e a interpretabilidade dos modelos ainda dificultam sua aplicação clínica. Objetivos: Revisar o uso da IA na personalização do tratamento do câncer pediátrico, com foco na análise de dados genômicos e imagens médicas, abordando aplicações clínicas, desafios e perspectivas futuras. Metodologia: Realizou-se uma revisão sistemática da literatura, seguindo as diretrizes PRISMA. Foram selecionados artigos das bases PubMed/MEDLINE, Web of Science, Scopus, CENTRAL (Cochrane) e LILACS, publicados entre 2022 e 2025. Foram incluídos estudos empíricos sobre IA aplicada à oncologia pediátrica, excluindo revisões não sistemáticas e artigos sem dados originais. Resultados: Foram incluídos 22 estudos que demonstraram impacto significativo da IA na oncologia pediátrica. Modelos como redes neurais convolucionais (CNNs) apresentaram alta acurácia na segmentação de tumores e reconhecimento de padrões moleculares. Em leucemias, algoritmos classificaram células com precisão. Na oncologia cerebral pediátrica, técnicas radiômicas permitiram diferenciar subtipos tumorais, otimizando condutas terapêuticas. Contudo, a escassez de validação externa e ferramentas regulamentadas limita a adoção clínica. Conclusão: A IA tem potencial transformador na oncologia pediátrica, contribuindo para diagnósticos mais precisos e terapias personalizadas. Avanços dependem de maior padronização, validação clínica e integração entre tecnologia e prática médica.
References
ABUNADI, I.; SENAN, E. M. Multi-Method Diagnosis of Blood Microscopic Sample for Early Detection of Acute Lymphoblastic Leukemia Based on Deep Learning and Hybrid Techniques. Sensors (Basel), v. 22, n. 4, p. 1629, 2022.
ATTALLAH, O. MB-AI-His: Histopathological Diagnosis of Pediatric Medulloblastoma and its Subtypes via AI. Diagnostics (Basel), v. 11, n. 2, p. 359, 2021.
BALLA, Y.; TIRUNAGARI, S.; WINDRIDGE, D. Pediatrics in Artificial Intelligence Era: A Systematic Review on Challenges, Opportunities, and Explainability. Indian Pediatrics, v. 60, n. 7, p. 561-569, 2023.
BHARGAVA, H. et al. Promises, Pitfalls, and Clinical Applications of Artificial Intelligence in Pediatrics. Journal of Medical Internet Research, v. 26, p. e49022, 2024.
DO Ó, F. F. R. Inteligência artificial aplicada à análise de imagens médicas em ensaios clínicos sobre câncer. 2023. 54 f. Trabalho de Conclusão de Curso (Graduação em Engenharia Biomédica) – Universidade Federal do Rio Grande do Norte, Natal, 2023.
FAMILIAR, A. M. et al. Radio-pathomic approaches in pediatric neuro-oncology: Opportunities and challenges. Neuro-Oncology Advances, v. 5, n. 1, p. vdad119, 2023.
GONÇALVES, F. L. et al. Utilização de ferramentas de Inteligência Artificial (IA) no diagnóstico de imagem. Research, Society and Development, v. 13, n. 11, p. 47312, 2024.
HUANG, J. et al. Artificial Intelligence Applications in Pediatric Brain Tumor Imaging: A Systematic Review. World Neurosurgery, v. 157, p. 99-105, 2022.
HUNTER, B. et al. The Role of Artificial Intelligence in Early Cancer Diagnosis. Cancers (Basel), v. 14, n. 6, p. 1524, 2022.
JAWAHAR, M. et al. ALNett: A cluster layer deep convolutional neural network for acute lymphoblastic leukemia classification. Computers in Biology and Medicine, v. 148, p. 105894, 2022.
LEE, E. H. et al. An international study presenting a federated learning AI platform for pediatric brain tumors. Nature Communications, v. 15, n. 1, p. 7615, 2024.
LOHMANN, P. et al. Radiomics in radiation oncology-basics, methods, and limitations. Strahlentherapie und Onkologie, v. 196, n. 10, p. 848-855, 2020.
PACCHIANO, F. et al. Radiomics and artificial intelligence applications in pediatric brain tumors. World Journal of Pediatrics, v. 20, n. 8, p. 747-763, 2024.
SAMMER, M. B. K. et al. Ensuring Adequate Development and Appropriate Use of Artificial Intelligence in Pediatric Medical Imaging. AJR American Journal of Roentgenology, v. 218, n. 1, p. 182-183, 2022.
SANCHEZ, R.; MACKENZIE, S. A. Integrative Network Analysis of Differentially Methylated and Expressed Genes for Biomarker Identification in Leukemia. Scientific Reports, v. 10, n. 1, p. 2123, 2020.
SHAWLY, T.; ALSHEIKHY, A. A. Biomedical Diagnosis of Leukemia Using a Deep Learner Classifier. Computational Intelligence and Neuroscience, 2022.
SINGH, S. B. et al. Applications of Artificial Intelligence for Pediatric Cancer Imaging. AJR American Journal of Roentgenology, v. 223, n. 2, p. e2431076, 2024.
TANG, P. H. et al. Implementation of an AI model to triage paediatric brain magnetic resonance imaging orders. Annals of the Academy of Medicine, Singapore, v. 51, n. 11, p. 739-741, 2022.
TOZZI, A. E. et al. A systematic review of data sources for artificial intelligence applications in pediatric brain tumors in Europe: implications for bias and generalizability. Frontiers in Oncology, v. 13, p. 1285775, 2023.
TSANG, B. et al. Applications of artificial intelligence in magnetic resonance imaging of primary pediatric cancers: a scoping review and CLAIM score assessment. Japanese Journal of Radiology, v. 41, n. 10, p. 1127-1147, 2023.
WAGNER, M. W. et al. Artificial intelligence and radiomics in pediatric molecular imaging. Methods, v. 188, p. 37-43, 2021.
WANG, J. et al. The clinical application of artificial intelligence in cancer precision treatment. Journal of Translational Medicine, v. 23, n. 120, 2025.
YE, N. et al. Classification of Gliomas and Germinomas of the Basal Ganglia by Transfer Learning. Frontiers in Oncology, v. 12, p. 844197, 2022.
ZHANG, M. et al. Radiomics Can Distinguish Pediatric Supratentorial Embryonal Tumors, High-Grade Gliomas, and Ependymomas. AJNR American Journal of Neuroradiology, v. 43, n. 4, p. 603-610, 2022.
ZHAO, J. et al. An international study presenting a federated learning AI platform for pediatric brain tumors. Nature Communications, v. 15, n. 1, p. 7615, 2024.
