Slide para Tcc

ORIENTAÇÕES PARA MONTAR OS SLIDES DA APRESENTAÇÃO DO TCC Docente Fabia Julliana Jorge de Souza Estrutura obrigatória dos slides Capa Título do TCC Nome dos autores Nome do orientadora Curso Instituição Ano Introdução Apresentem contexto do tema Mostrem o problema central Justifiquem a importância do estudo Usem tópicos figuras e fluxogramas EVITAR MUITO TEXTO Deve conter pelo menos 1 referência que contextualize o tema Objetivo Objetivo do trabalho Metodologia Para exemplo para revisões narrativas Bases de dados ex National Library of Medicine PubMed Scientific Electronic Library Online SciELO Critérios de inclusão exclusão Tipo de estudo revisão narrativa Palavraschave Recorte temporal se houver Resultados e Discussão Apresentem os principais achados da pesquisa Organizem por eixos temáticos Usem gráficos esquemas ou imagens com legenda e fonte Façam relação com a literatura Mostrem o que os estudos indicam e como isso se conecta ao objetivo do TCC Conclusão Usem tópicos ou fluxograma Responda claramente ao objetivo Destaque a contribuição do trabalho Mostre implicações práticas ou científicas Pode mencionar limitações e perspectivas futuras Referências Colocar as principais utilizadas Padronizado Apenas autores citados nos slides Letras legíveis tamanho 1822 Dicas técnicas Pouco texto por slide apresentação não é leitura Use tópicos curtos Imagens sempre com fonte Cuidado com português e coerência visual Dicas para apresentar Treinem a apresentação 10 a 20 minutos Falem com naturalidade Comecem sempre contextualizando o problema Não leiam papéis Mantenham postura profissional Preparemse para responder perguntas CENTRO UNIVERSITÁRIO UNA CAMPUS LINHA VERDE FABIANE CRISTINA CUNHA DE REZENDE GIOVANNA PINHEIRO DIAS MAELY ALINE ALENCAR DE CARVALHO MILENA JORDANA DE CASTRO VINICIUS DE FREITAS JUSTINIANO APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NA ANÁLISE DE BIOMARCADORES PARA O DIAGNÓSTICO PRECOCE DO CÂNCER BELO HORIZONTE 2025 FABIANE CRISTINA CUNHA DE REZENDE GIOVANNA PINHEIRO DIAS MAELY ALINE ALENCAR DE CARVALHO MILENA JORDANA DE CASTRO VINICIUS DE FREITAS JUSTINIANO APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NA ANÁLISE DE BIOMARCADORES PARA O DIAGNÓSTICO PRECOCE DO CÂNCER Trabalho de Conclusão de Curso apresentado à banca examinadora do Centro Universitário UNA como requisito para aprovação na UCTCC do Curso de Biomedicina Orientadora Profª Dra Fabia Julliana Jorge Souza BELO HORIZONTE 2025 2 APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NA ANÁLISE DE BIOMARCADORES PARA O DIAGNÓSTICO PRECOCE DO CÂNCER APPLICATION OF ARTIFICIAL INTELLIGENCE IN THE ANALYSIS OF BIOMARKERS FOR EARLY DIAGNOSIS OF CANCER Fabiane Cristina Cunha de Rezende1 Giovanna Pinheiro Dias2 Maely Aline Alencar de Carvalho3 Milena Jordana de Castro4 Vinicius de Freitas Justiniano5 Fabia Julliana Jorge Souza6 RESUMO No contexto do câncer os biomarcadores podem identificar mutações genéticas como as encontradas nos genes Proteína Tumoral p53 TP53 homólogo do Oncogene Viral do Sarcoma de Rato Kirsten KRAS Receptor do Fator de Crescimento Epidérmico EGFR Protooncogene BRaf Quinase de SerinaTreonina BRAF Em síntese a aplicação de IA na análise de biomarcadores adaptados por técnicas como RNAseq scRNAseq e transcriptômica representa uma medicina diagnóstica atualizada que contribui para uma abordagem eficiente e personalizada no combate ao câncer A IA por sua vez tornase capaz de processar grandes quantidades de dados genômicos e transcriptômicos e identificar padrões complexos e sutis praticamente indetectáveis por métodos em larga escala Assim a IA sugere subtipos tumorais semelhantes prediz o risco genético de recorrência e ajuda a escolher alvos terapêuticos mais relevantes Ademais a IA pode integrar dados clínicos de imagem e moleculares fornecendo uma imagem do paciente mais clara e detalhada do que nunca Portanto a IA e as técnicas de bioinformática não apenas melhoram a acurácia do diagnóstico mas também fortalecem a medicina de precisão oferecendo alternativas terapêuticas mais relevantes atrasando assim qualquer tratamento até que os dados sejam compilados no entanto as possibilidades que a IA e seus desenvolvimentos em ciência de dados oferecem para otimizar essa compilação são sem precedentes Palavraschave DNA RNAseq scRNAseq transcriptômica mutações genéticas ABSTRACT In the context of cancer biomarkers can include genetic mutations such as those found in the Tumor Protein p53 TP53 Kirsten Rat Sarcoma Viral Oncogene Homolog KRAS Epidermal Growth Factor Receptor EGFR and BRaf Proto Oncogene SerineThreonine Kinase BRAF genes The integration of AI in the analysis of biomarkers for the early diagnosis of cancer involves steps such as data collection processing and the construction of algorithms capable of identifying or 1 Graduanda em Biomedicina pelo Centro Universitário UNA 2 Graduanda em Biomedicina pelo Centro Universitário UNA 3 Graduanda em Biomedicina pelo Centro Universitário UNA 4 Graduanda em Biomedicina pelo Centro Universitário UNA 5 Graduando em Biomedicina pelo Centro Universitário UNA 6 Professora orientadora do Curso de Biomedicina da Centro Universitário UNA 3 predicting the presence of the disease This combination enhances accuracy sensitivity and specificity leading to faster and less invasive diagnoses In summary the application of AI in the analysis of biomarkers adapted thru techniques such as RNAseq scRNAseq and transcriptomics represents an updated diagnostic medicine contributing to an efficient and personalized approach in the fight against cancer AI in turn becomes capable of processing vast amounts of genomic and transcriptomic data and identifying complex and subtle patterns that are virtually undetectable by largescale conventional methods Thus AI can suggest similar tumor subtypes predict the genetic risk of recurrence and assist in selecting the most relevant therapeutic targets Moreover AI can integrate clinical imaging and molecular data providing a clearer and more detailed picture of the patient than ever before Therefore AI and bioinformatics techniques not only improve diagnostic accuracy but also strengthen precision medicine by offering more relevant therapeutic alternatives This may delay treatment until all data is compiled however the possibilities that AI and its developments in data science offer to optimize this compilation are unprecedented Keywords DNA RNAseq scRNAseq transcriptomics genetic mutations INTRODUÇÃO O câncer representa uma das maiores cargas globais de morbidade e mortalidade sendo o diagnóstico precoce o fator determinante para um prognóstico favorável e o aumento das chances de cura e sobrevida dos pacientes Dessa forma entendese que qualquer parâmetro biológico que seja objetivamente mensurável e capaz de indicar um estado particular de um organismo pode ser utilizado como um biomarcador dessa patologia Godoy AT Amaral AG Mesquita et al Nesse contexto a identificação e a análise de biomarcadores sejam eles genéticos moleculares proteicos ou de imagem são cruciais pois servem como indicadores biológicos da presença da doença em estágios iniciais muitas vezes antes do surgimento de manifestações clínicas Com o progresso das tecnologias moleculares e o maior entendimento sobre a biologia do câncer a aplicação de marcadores tumorais específicos tem aprimorado a precisão dos tratamentos personalizados em oncologia Elmore et al 2024 Na medicina a Inteligência Artificial IA começou a ganhar destaque com o desenvolvimento de algoritmos avançados capazes de processar grandes volumes de dados médicos fornecendo diagnósticos rápidos e precisos conforme afirma o autor 4 Com a capacidade de realizar tarefas complexas como reconhecimento de padrões e tomada de decisões a IA tem o potencial de superar as limitações humanas em termos de velocidade precisão e consistência Esse avanço tecnológico não apenas melhora o diagnóstico mas também redefine o papel dos profissionais de saúde fornecendolhes ferramentas para aumentar a precisão e eficiência no cuidado ao paciente Vedana et al 2024 p 767 A IA ao coletar e processar esses dados oferece insights clínicos acionáveis permitindo que os médicos tomem decisões mais informadas e precisas Isso resulta em diagnósticos mais rápidos tratamentos otimizados e em última análise melhores desfechos para os pacientes Benevides etal 2024 Este trabalho revisa as principais tecnologias envolvidas como machine learning deep learning e processamento de linguagem natural NLP e suas aplicações em associação aos biomarcadores além dos benefícios práticos que a IA pode oferecer na melhoria dos diagnósticos médicos São abordados como os biomarcadores podem ser ainda mais promissores no diagnóstico se associados a uma tecnologia de precisão Os desafios éticos e técnicos que ainda precisam ser superados como o viés nos algoritmos e a privacidade dos dados dos pacientes Por fim o artigo discute as tendências futuras para o uso da IA na medicina incluindo seu papel na medicina preditiva e personalizada bem como as implicações para os profissionais de saúde No entanto a complexidade e o volume massivo dos dados gerados por técnicas avançadas como o Sequenciamento de Nova Geração NGS e as biópsias líquidas que detectam DNA tumoral circulante exigem ferramentas computacionais robustas para a extração de informações clinicamente relevantes Attia et al 2024 A IA e em particular o Aprendizado de Máquina Machine Learning e o Aprendizado Profundo Deep Learning emergiu como uma tecnologia disruptiva e promissora no cenário médico atual Algoritmos de IA possuem a capacidade de analisar grandes conjuntos de dados complexos com alta acurácia identificando padrões sutis e correlações entre múltiplos biomarcadores que seriam imperceptíveis ou de difícil processamento para o olho humano ou métodos estatísticos tradicionais Alum 2025 Jiang et al 2017 A aplicação da IA na análise sistemática de biomarcadores está revolucionando a detecção precoce do câncer melhorando significativamente a sensibilidade e a especificidade diagnósticas e reduzindo a incidência de falsos 5 positivos e falsos negativos Modelos preditivos baseados em IA já demonstraram eficácia na análise de perfis genômicos e bioquímicos para prever o risco e detectar cânceres como os de mama e pulmão em estágios iniciais Além disso a IA é fundamental para a medicina de precisão auxiliando na identificação de variantes genéticas associadas à doença e na predição de risco genético o que permite intervenções preventivas ou vigilância aumentada para populações de alto risco O estudo visa explorar os avanços mais recentes e as perspectivas da integração da IA na análise de biomarcadores para o diagnóstico precoce do câncer destacando suas contribuições significativas para aumentar a precisão e eficiência das abordagens de rastreamento e diagnóstico oncológico O termo câncer abrange mais de 100 doenças diferentes em sua maioria malignas caracterizadas pelo crescimento descontrolado e pela divisão anormal de células Essas células podem se concentrar em tecidos específicos ou se disseminar para áreas adjacentes e distantes A depender da origem celular os tumores podem ser classificados como carcinomas originados em tecidos epiteliais como pele e mucosas ou sarcomas originados em tecidos conjuntivos como ossos músculos e cartilagens Instituto Nacional de Câncer INCA 2022 Dados globais de 2022 apontam as manifestações mais frequentes da doença destacando câncer de mama 226 milhões de casos pulmão 221 milhões cólon e reto 193 milhões próstata 141 milhões pele não melanoma 120 milhões e estômago 109 milhões No mesmo ano os principais tipos responsáveis por mortes foram os de pulmão 180 milhões cólon e reto 916 mil fígado 830 mil estômago 769 mil e mama 685 mil International Agency for Research On Cancer IARC 2022 OMS 2025 A IA é amplamente definida como a capacidade de um computador de imitar a inteligência humana executando código contido em vários algoritmos O aprendizado de máquina ML é um subconjunto da IA onde métodos estatísticos são usados para desenvolver e refinar algoritmos O aprendizado profundo por sua vez é um subconjunto do ML baseado em camadas de redes neurais que permitem que um computador se treine em uma tarefa específica Embora a IA tenha gerado entusiasmo nas ciências da vida e na saúde os principais desafios relacionados à disponibilidade qualidade treinamento de modelos e viés de dados persistem Abordar essas questões e outras limitações será crucial para colher os benefícios 6 dessa tecnologia para o avanço da saúde Uma aplicação importante da IA será no campo da descoberta de biomarcadores de câncer Também destacamos os avanços e desafios no uso da IA para a descoberta de biomarcadores em dois cânceres raros mas muito letais ou seja alta letalidade ovário e pâncreas Esses cânceres de são especialmente agressivos em parte devido à falta de sintomas precoces e detecção precoce A aplicação bemsucedida de tecnologias de IA e métodos de ML terá um impacto significativo na redução da mortalidade e morbidade associadas ao câncer especificamente em cânceres de ovário e pâncreas dada a dificuldade atual em diagnosticar precocemente esses tumores malignos Aqui resumimos uma visão geral do cenário incluindo as considerações regulatórias e éticas e identificamos direções futuras para a aplicação da IA em cânceres raros e descoberta de biomarcadores O diagnóstico de câncer em estágios iniciais é algo difícil de se fazer ou o câncer pode reaparecer após o término do tratamento Além disso previsões precisas do prognóstico da doença com alta certeza são muito laboriosas Determinados tipos de câncer apresentam difícil detecção nos estágios iniciais Assim se faz necessário desenvolver melhores modelos preditivos usando dados multivariados e ferramentas de diagnóstico de alta resolução na pesquisa clínica do câncer O número de artigos sobre análise de câncer tem crescido exponencialmente especialmente aqueles envolvendo ferramentas de IA e grandes conjuntos de dados para treinamento de modelos de IA Obermeyer Emanuel 2016 Ademais a análise estatística e análise multivariada não são tão precisos quanto a IA Em especial isso se torna verdadeiro quando a IA é usada em conjunto com ferramentas sofisticadas de bioinformática que podem melhorar expressivamente as acurácias diagnósticas prognósticas e preditivas Gillies et al 2016 Hosny et al 2018 METODOLOGIA O presente estudo configurase como uma revisão narrativa da literatura com o objetivo de analisar a aplicação da IA na identificação e interpretação de biomarcadores para o diagnóstico precoce do câncer A revisão abrange estudos publicados entre 2017 e 2025 com foco em artigos que discutem a utilidade dos 7 biomarcadores e o uso de técnicas de IA como aprendizado de máquina e redes neurais na análise desses dados observados A busca bibliográfica foi realizada nas bases de dados eletrônicas PubMed e SciELO Para a seleção dos artigos foram utilizados descritores controlados consultados no DeCS e MeSH Neoplasms ou Cancer Biomarkers ou Molecular Markers Artificial Intelligence ou Machine Learning ou Deep Learning A estratégia de busca principal combinada por operadores booleanos foi Artificial Intelligence OR Machine Learning OR Deep Learning AND Biomarkers OR Molecular Markers AND Neoplasms OR Cancer Foram incluídos artigos originais e revisões sistemáticas disponíveis na íntegra publicados em português ou inglês que abordavam o uso de IA na análise de biomarcadores para o diagnóstico da patologia em estudo Foram excluídos resumos de congresso teses dissertações e artigos que não apresentavam resultados primários sobre o tema O processo de seleção ocorreu em duas etapas Primeiro foi realizado a 1 Leeitura e triagem por título e resumo para aplicação dos critérios de inclusão e exclusão Posteriormente a 2 Laeitura na íntegra dos artigos préselecionados para extração de dados e confirmação da pertinência A análise dos dados foi realizada de forma qualitativa e descritiva organizando os resultados conforme as principais técnicas de IA aplicadas os tipos de biomarcadores estudados os tipos de câncer abordados e os resultados principais A síntese das informações buscou identificar padrões avanços e lacunas na literatura permitindo uma compreensão abrangente do estado atual do conhecimento sobre o tema RESULTADOS E DISCUSSÃO A presente revisão narrativa destaca os avanços recentes na oncologia de precisão focando especificamente na integração da IA com a análise de biomarcadores para otimizar o diagnóstico precoce do câncer A seleção de artigos 20172025 PubMed e SciELO reflete a crescente aplicabilidade de algoritmos de Machine Learning ML e Deep Learning DL no processamento de grandes volumes de dados multimodais A análise dos artigos selecionados indicou que a integração da análise de biomarcadores com algoritmos de IA representam uma fronteira promissora na 8 oncologia de precisão Técnicas baseadas em aprendizado de máquina demonstram alto potencial para processar grandes volumes de dados identificar mutações genéticas relevantes classificar subtipos tumorais e prever respostas a terapias alvo contribuindo para uma abordagem personalizada e eficiente no tratamento do câncer Diversos estudos analisados demonstram que algoritmos de IA especialmente aqueles baseados em aprendizado de máquina Machine Learning e aprendizado profundo Deep Learning têm se mostrado altamente eficazes na detecção de padrões complexos em conjuntos de dados biomoleculares Alum 2025 PropriedadesO papel da IA no processamento de biomarcadores moleculares e genômicos A capacidade da IA de processar bancos de dados é crucial para extrair significado clínico dos biomarcadores moleculares superando as limitações dos métodos estatísticos tradicionais Jiang et al 2017 Algoritmos baseados em deep learnig têm se mostrado altamente eficazes na detecção de padrões complexos em conjuntos de dados biomoleculares Essa eficácia se jusitifca na identificação de mutações genéticas relevantes como TP53 KRAS e EGFR e na classificação precisa de subtipos tumorais a partir de dados de sequenciamento RNAseq scRNAseq transcriptômica provenientes do aprendizado profundo de máquinas que conseguem aprender critérios e chegar a conclusões O que garante um alto potencial de identificação de modelos de repetição complexos já observados em casos anteriores Alum 2025 A integração entre machine learning e biomarcadores genômicos e proteômicos representa uma fronteira promissora pois permite o processamento de múltiplos fatores simultaneamente Essa análise multimodal contribui de forma significativa para o diagnóstico mais específico e para a predição de respostas a terapiasalvo estabelecendo as bases para uma abordagem terapêutica verdadeiramente personalizada e eficaz resultando em uma proposta de acompanhamento oncológico mais preciso No campo da imagem e da patologia a IA não apenas otimiza o diagnóstico mas transforma a imagem em um biomarcador quantificável o princípio da radiômica Os algoritmos de aprendizado profundo deep learning são treinados 9 para identificar por exemplo sinais de câncer em imagens médicas realizando a comparação com importantes bases de dados de casos já vistos permitindo que a IA identifique pontos sutis que podem passar despercebidos por profissionais auxiliando na detecção precoce de tumores assim como classificar imagens com alta precisão e minimizar falsos negativos e positivos aumentando a confiabilidade do diagnóstico Fontes 2024 Ferramentas como redes neurais convolucionais CNNs têm sido relevantes na detecção precoce do câncer Essas redes são amplamente aplicadas em tarefas de reconhecimento detecção e classificação de imagens e vídeos permitindo a identificação de alterações que podem indicar a presença de tumores em estágios iniciais Daoud Mayo 2019 A IA tem sido bastante aplicada para aumentar a sensibilidade e especificidade de exames de rastreamento O PETCT exame que combina a tomografia por emissão de pósitrons PET com a tomografia computadorizada CT por exemplo demonstrou alta precisão na detecção de câncer de próstata e na avaliação da resposta ao tratamento no câncer de pulmão Otimizando a segmentação e a análise metabólica do rastreador 18FFDG responsável por detectar células com alto metabolismo de glicose como as cancerosas consequentemente elevando o desempenho desses biomarcadores de imagem Similarmente técnicas avançadas de Ressonância Magnética RM otimizadas por IA têm demonstrado maior eficácia na identificação precoce do câncer em comparação com a biópsia convencional Hofman et al 2020 Concomitantemente técnicas avançadas de ressonância magnética demonstraram maior eficácia na identificação precoce do câncer quando comparadas à biópsia convencional conforme Kasivisvanathan et al 2018 Essa abordagem possibilita a obtenção de imagens em tempo real do metabolismo tumoral contribuindo para novas formas de visualizar e caracterizar os tumores Os biomarcadores moleculares desempenham um papel crucial no diagnóstico e prognóstico da doença comparando a expressão e a concentração de moléculas individuais em uma condição patológica Métodos populares para identificar biomarcadores moleculares incluem DESeq2 e edgeR analisando o nível de expressão gênica e identificando genes diferencialmente expressos DEGs Tang Yuan Chen 2022 10 A utilização de Redes Neurais Artificiais RNAs facilita a análise de extensos conjuntos de dados genéticos e clínicos permitindo a identificação de interrelações e padrões em meio a diversas variáveis As RNA são capazes de analisar dados de expressão gênica obtidos de pacientes com câncer com o objetivo de identificar biomarcadores novos e distintos que estão ligados a subtipos específicos de câncer A identificação de biomarcadores por meio do uso de RNAs tem o potencial de aumentar a precisão e a individualização do diagnóstico e tratamento do câncer fornecendo informações precisas e personalizadas sobre o estado médico do paciente A aplicação de RNAs na esfera da descoberta de biomarcadores diz respeito ao discernimento de biomarcadores associados ao câncer de próstata A aplicação de uma RNA por pesquisadores no exame de dados de expressão gênica pertencentes a indivíduos diagnosticados com câncer de próstata produziu uma coorte de genes que demonstrou uma correlação notável com a progressão do câncer de próstata Takeuchi et al 2019 Posteriormente essa coleção particular de genes foi submetida à validação em uma coorte distinta de pacientes indicando assim a promessa de RNAs na identificação de biomarcadores A IA e o aprendizado de máquina têm um enorme potencial para transformar a saúde proporcionando uma descoberta mais rápida de biomarcadores melhor compreensão de doenças e tratamentos e permitindo a medicina personalizada Os algoritmos de IA podem analisar diversas fontes de dados descobrir correlações e levar a tratamentos mais eficazes Várias técnicas estão disponíveis para analisar dados incluindo algoritmos de aprendizado de máquina aprendizado profundo processamento de linguagem natural e técnicas de mineração de dados A IA também está aprimorando o diagnóstico médico reduzindo o tempo de diagnóstico e melhorando o atendimento ao paciente Lin et al 2019 A detecção de câncer por meio de exames de sangue representa uma inovação recente que utiliza a inteligência artificial para analisar amostras em busca de biomarcadores específicos da doença Esse método baseiase na identificação de fragmentos de DNA tumoral circulante ctDNA liberados pelas células cancerígenas na corrente sanguínea A IA é aplicada para identificar mutações genéticas e alterações moleculares que indicam a presença de câncer em estágios iniciais 11 reconhecer diferentes tipos de câncer a partir de um simples exame de sangue com potencial para detectar múltiplos tipos em uma única análise minimizar a necessidade de biópsias invasivas oferecendo uma alternativa mais confortável e segura para os pacientes Biópsia líquida com IA A jornada da biópsia líquida começou na década de 1970 quando os pesquisadores identificaram pela primeira vez células tumorais circulantes CTCs no sangue de pacientes com câncer Essas células raras eliminadas do tumor primário para a corrente sanguínea foram inicialmente consideradas anomalias pois sua detecção apresentava desafios técnicos significativos devido à sua escassez e às limitações da tecnologia disponível No entanto sua presença sugeriu a possibilidade de monitorar a progressão do câncer por meio de amostras de sangue lançando as bases para futuras técnicas de biópsia líquida Nos anos seguintes a descoberta do ctDNA no sangue de pacientes com câncer teve um marco crítico Os pesquisadores descobriram que os tumores liberam DNA fragmentado na corrente sanguínea que contém as mesmas mutações genéticas do tumor primário A biópsia líquida que se baseia na detecção de biomarcadores circulantes como o ctDNA em uma amostra de sangue é o método mais promissor para o diagnóstico precoce não invasivo A IA é um componente crítico para viabilizar seu uso em larga escala A chave para a detecção precoce é a capacidade da IA de identificar e classificar biomarcadores em concentrações extremamente baixas típicas dos estágios iniciais da doença A IA atua na filtragem de ruídos de fundo amplificando o sinal do ctDNA ou de CTCs gerando amplificação do sinal precoce e cumprindo com os ideais de diagnóstico rápido e preciso Estudos demonstram que a biópsia líquida analisada com IA pode identificar diversos tipos de câncer em estágios iniciais com taxas de precisão superiores a 90 Fontes 2024 Tais resultados aliados à natureza minimamente invasiva do exame suportam sua integração ao atendimento médico de rotina como ferramenta preventiva e de rastreamento para pacientes de alto risco conforme evidenciado em testes clínicos nos Estados Unidos Fontes 2024 12 Considerando que cada paciente oncológico apresenta características genéticas e moleculares únicas o que significa que uma mesma terapia pode não ser igualmente eficaz para todos A IA contribui para o desenvolvimento de tratamentos personalizados ao analisar o perfil genético do tumor Essa tecnologia pode auxiliar na identificação de tratamentos eficazes para cada determinado perfil genético monitoramento da resposta ao tratamento e identificação da resistência ao tratamento recomendando medicamentos alternativos Uma vez que ao se realizar cruzamento de dados seja cada vez mais real a associação de uma medicina personalizada e capaz de gerir alternativas que ainda estejam fora de alcance somente pelas práticas humanas Em síntese a IA demonstra um avanço contínuo aliado à validação clínica sendo uma ferramenta viável no cuidado oncológico Uma vez que ao coletar e processar informações oferece insights clínicos acionáveis permitindo que os médicos tomem decisões mais informadas e precisas Isso proporciona diagnósticos mais ágeis tratamentos otimizados e em última análise melhores desfechos para os pacientes O que não pode ser desconsiderado são os desafios éticos e técnicos que ainda precisam ser superados como o viés nos algoritmos e a privacidade dos dados dos pacientes Isso é afirmado pois se os dados de treinamento de um modelo de DL para detecção de ctDNA forem predominantemente extraídos de uma única população o modelo pode falhar em identificar padrões de câncer em grupos minoritários perpetuando disparidades no acesso ao diagnóstico e indo contra os aspectos vistos como positivos Paralelamente a garantia da privacidade dos dados especialmente em estudos que envolvem o compartilhamento de informações genômicas sensíveis exige o desenvolvimento de protocolos de segurança e anonimização rigorosos que ainda carecem de padronização global Além dos desafios técnicos inerentes à construção do algoritmo como o viés algorítmico e a privacidade de dados a integração da IA na oncologia impõe um desafio crítico ao profissional de saúde o viés na interpretação dos dados fornecidos O alto desempenho demonstrado pelos sistemas de IA pode levar os clínicos a uma deferência excessiva à máquina resultando na subavaliação de seus próprios julgamentos clínicos ou na falha em questionar resultados contraintuitivos Esse fenômeno conhecido como viés de confirmação tecnológica corre o risco de transformar a IA de uma ferramenta de Inteligência Aumentada em um substituto 13 irrefletido comprometendo a capacidade do médico de integrar o resultado do biomarcador com o contexto clínico histórico e psicossocial único do paciente Portanto a utilização responsável da IA exige não apenas a acurácia do modelo mas também um treinamento contínuo das equipes médicas para manter o senso crítico a autonomia decisória e a supervisão humana como elementos insubstituíveis no cuidado oncológico CONCLUSÃO A análise dos estudos confirma que a inteligência artificial IA é uma tecnologia transformadora na oncologia capaz de aumentar a sensibilidade e especificidade dos biomarcadores genômicos de imagem e circulantes Sua aplicação permite o diagnóstico precoce a personalização do tratamento e o monitoramento em tempo real da resposta terapêutica A integração de técnicas como machine learning e deep learning com biomarcadores estabelece uma nova fronteira na medicina de precisão tornando o diagnóstico e o tratamento do câncer mais eficazes A revisão demonstrou o potencial da IA na identificação de padrões moleculares no aprimoramento da Radiômica e da Patologia Digital e na detecção de biomarcadores em biópsias líquidas destacando esta última como promissora para rastreamento populacional Contudo a adoção plena da tecnologia exige padronização de dados garantia de privacidade e mitigação de vieses algorítmicos Futuras pesquisas devem priorizar a validação clínica em larga escala e a integração de dados genômicos de imagem e clínicos em plataformas únicas de IA A cooperação entre profissionais da saúde e cientistas da computação será essencial para consolidar a IA como ferramenta central no diagnóstico e tratamento oncológico personalizado REFERÊNCIAS ALUM E U AIdriven biomarker discovery enhancing precision in cancer diagnosis and prognosis Discover Oncology New York v 16 n 1 art 313 13 Mar 2025 DOI httpsdoiorg101007s12672025020647 Disponível em httpslink springercomarticle101007s12672025020647 Acesso em 6 out 2025 14 ATTIA A M et al Novel biomarkers for early detection of hepatocellular carcinoma Diagnostics Basel v 14 n 20 art 2278 13 Oct 2024 DOI httpsdoiorg10 3390diagnostics14202278 Disponível em httpswwwmdpicom207544181420 2278 Acesso em 6 out 2025 DAOUD M MAYO M A survey of neural networkbased cancer prediction models from microarray data Artificial Intelligence in Medicine Amsterdam v 97 p 204214 June 2019 DOI httpsdoiorg101016jartmed201901006 Disponível em httpswwwsciencedirectcomsciencearticlepiiS0933365717305067 Acesso em 6 out 2025 ELMORE J G et al Screening for breast cancer evidence for effectiveness and harms UpToDate Waltham MA 10 Apr 2024 Disponível em httpswww uptodatecomcontentsscreeningforbreastcancerevidenceforeffectivenessand harms Acesso em 6 out 2025 FONTES M A Inteligência Artificial na prevenção e tratamento oncológico Blog Oncológico Mariane Fontes Rio de Janeiro 5 dez 2024 Disponível em https marianefontesmdcombrinteligenciaartificialprevencaotratamentooncologico Acesso em 6 out 2025 GILLIES R J KINAHAN P E HRICAK H Radiomics images are more than pictures they are data Radiology Easton PA v 278 n 2 p 563577 Feb 2016 DOI httpsdoiorg101148radiol2015151169 Disponível em httpspubsrsnaorg doi101148radiol2015151169 Acesso em 6 out 2025 HEIDRICH I et al Liquid biopsy for monitoring of tumor dormancy and early detection of disease recurrence in solid tumors Cancer Metastasis Reviews Boston MA v 42 n 1 p 161182 Mar 2023 DOI httpsdoiorg101007s1055502210075x Disponível em httpslinkspringercomarticle101007s1055502210075x Acesso em 8 out 2025 HOFMAN M S et al Prostatespecific membrane antigen PETCT in patients with highrisk prostate cancer before curativeintent surgery or radiotherapy proPSMA a prospective randomised multicentre study Lancet London v 395 n 10231 p 12081216 11 Apr 2020 DOI httpsdoiorg101016S0140673620303147 Disponível em httpswwwthelancetcomjournalslancetarticlePIIS0140673620 303147abstract Acesso em 8 out 2025 HOSNY A et al Artificial intelligence in radiology Nature Reviews Cancer London v 18 n 8 p 500510 Aug 2018 DOI httpsdoiorg101038s41568 01800165 Disponível em httpswwwnaturecomarticless4156801800165 Acesso em 6 out 2025 INSTITUTO NACIONAL DE CÂNCER Brasil O que é câncer Brasília DF INCA 2022 Disponível em httpswwwgovbrincaptbrassuntoscanceroqueecancer Acesso em 1 ago 2025 15 INTERNATIONAL AGENCY FOR RESEARCH ON CANCER Global Cancer Observatory Cancer Today Lyon IARC 2022 Disponível em httpsgcoiarcfr todayen Acesso em 6 out 2025 JIANG F et al Artificial intelligence in healthcare past present and future Stroke and Vascular Neurology London v 2 n 4 p 230243 21 June 2017 DOI httpsdoiorg101136svn2017000101 Disponível em httpssvnbmjcom content24230 Acesso em 6 out 2025 KASIVISVANATHAN V et al MRITargeted or standard biopsy for prostatecancer diagnosis The New England Journal of Medicine Boston MA v 378 n 19 p 17671777 18 Mar 2018 DOI httpsdoiorg101056NEJMoa1801993 Disponível em httpswwwnejmorgdoi101056NEJMoa1801993 Acesso em 8 out 2025 LIN Y et al Computeraided biomarker discovery for precision medicine data resources models and applications Briefings in Bioinformatics London v 20 n 3 p 952975 May 2019 DOI httpsdoiorg101093bibbbx158 Disponível em httpsacademicoupcombibarticle2039524675071 Acesso em 6 out 2025 OBERMEYER Z EMANUEL E J Predicting the future big data machine learning and clinical medicine The New England Journal of Medicine Boston MA v 375 n 13 p 12161219 29 Sept 2016 DOI httpsdoiorg101056 NEJMp1606181 Disponível em httpswwwnejmorgdoi101056NEJMp1606181 Acesso em 8 out 2025 RICCIARDI E et al Guerrisi metastatic melanoma liquid biopsy as a new precision medicine approach International Journal of Molecular Sciences Basel v 24 n 4 art 4014 15 Feb 2023 DOI httpsdoiorg103390ijms24044014 Disponível em httpswwwmdpicom142200672444014 Acesso em 6 out 2025 TAKEUCHI T et al Prediction of prostate cancer by deep learning with multilayer artificial neural network Canadian Urological Association Journal Dorval QC v 13 n 5 p e145e150 May 2019 DOI httpsdoiorg105489cuaj5526 Disponível em httpscuajcaindexphpjournalarticleview5526 Acesso em 8 out 2025 TANG S YUAN K CHEN L Molecular biomarkers network biomarkers and dynamic network biomarkers for diagnosis and prediction of rare diseases Fundamental Research Amsterdam v 2 n 6 p 894902 Nov 2022 DOI httpsdoiorg101016jfmre202207011 Disponível em httpswwwsciencedirect comsciencearticlepiiS2667325822003065 Acesso em 8 out 2025 VEDANA A B et al Inteligência Artificial na medicina diagnóstica Brazilian Journal of Implantology and Health Sciences Macapá v 6 n 11 p 765794 nov 2024 DOI httpsdoiorg1036557267481692024v6n11p765794 Disponível em httpsbjihsemnuvenscombrbjihsarticleview4235 Acesso em 6 out 2025 1 ZamoraObando HR Godoy AT Amaral AG Mesquita A de S Simões BES Reis HO et al BIOMARCADORES MOLECULARES DE DOENÇAS HUMANAS CONCEITOS FUNDAMENTAIS MODELOS DE ESTUDO E APLICAÇÕES 16 CLÍNICAS Quím Nova Internet 2022Sep4591098113 Available from httpsdoiorg10215770100404220170905 APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NA ANÁLISE DE BIOMARCADORES PARA O DIAGNÓSTICO PRECOCE DO CÂNCER Orientadora Profª Dra Fabia Julliana Jorge Souza Belo Horizonte 2025 AUTORES Fabiane Cristina Cunha de Rezende Giovanna Pinheiro Dias Maely Aline Alencar de Carvalho Milena Jordana de Castro Vinicius de Freitas Justiniano INTRODUÇÃO CONTEXTO E PROBLEMA CENTRAL Câncer Uma das maiores cargas de morbidade e mortalidade global Diagnóstico Precoce Fator crucial para prognóstico favorável e aumento da sobrevida Biomarcadores Indicadores biológicos genéticos moleculares de imagem cruciais para a detecção da doença em estágios iniciais Desafio O volume massivo e a complexidade dos dados gerados por novas técnicas NGS biópsias líquidas exigem ferramentas computacionais robustas INTRODUÇÃO JUSTIFICATIVA A Inteligência Artificial IA especialmente Machine Learning e Deep Learning é uma tecnologia disruptiva e promissora IA processa grandes volumes de dados identificando padrões complexos imperceptíveis por métodos tradicionais Garante diagnósticos mais rápidos precisos e otimizados fortalecendo a Medicina de Precisão OBJETIVOS ESPECÍFICO 1 ESPECÍFICO 2 ESPECÍFICO 3 Revisar as principais tecnologias de IA ML DL aplicadas à oncologia Destacar as contribuições da IA para aumentar a precisão e eficiência das abordagens de rastreamento e diagnóstico Identificar os desafios éticos e técnicos para a adoção plena da tecnologia OBJETIVO GERAL Explorar os avanços mais recentes e as perspectivas da integração da Inteligência Artificial na análise de biomarcadores para o diagnóstico precoce do câncer METODOLOGIA Tipo de Estudo Revisão Narrativa da Literatura Recorte Temporal Artigos publicados entre 2017 e 2025 Bases de Dados PubMed e SciELO Descritores Estratégia de Busca Artificial Intelligence OR Machine Learning OR Deep Learning AND Biomarkers OR Molecular Markers AND Neoplasms OR Cancer Critérios de InclusãoExclusão Artigos originais e revisões sistemáticas na íntegra Incluídos Resumos de congresso teses e dissertações Excluídos Análise de Dados Qualitativa e descritiva focada nas técnicas de IA tipos de biomarcadores e resultados principais RESULTADOS E DISCUSSÃO EIXO 1 MOLECULARGENÔMICO IA E BIOMARCADORES MOLECULARES E GENÔMICOS Processamento de Dados IA supera limitações de métodos tradicionais extraindo significado clínico de grandes bancos de dados Identificação de Mutações Algoritmos de Deep Learning DL são eficazes na identificação de mutações genéticas relevantes Ex genes TP53 KRAS EGFR Medicina Personalizada Classificação precisa de subtipos tumorais Predição de resposta a terapiasalvo através da análise multimodal genômica e proteômica Fonte Alum 2025 RESULTADOS E DISCUSSÃO EIXO 2 IMAGEM E BIÓPSIA LÍQUIDA IA EM IMAGEM RADIÔMICA E BIÓPSIA LÍQUIDA Radiômica IA transforma a imagem em um biomarcador quantificável Deep Learning CNNs identifica pontos sutis auxiliando na detecção precoce e na minimização de falsos resultados Aprimoramento de exames PETCT e Ressonância Magnética RM esta última demonstrando maior eficácia que a biópsia convencional em alguns casos ex câncer de próstata Fonte Gillies et al 2016 Kasivisvanathan et al 2018 RESULTADOS E DISCUSSÃO EIXO 2 IMAGEM E BIÓPSIA LÍQUIDA IA EM IMAGEM RADIÔMICA E BIÓPSIA LÍQUIDA Biópsia Líquida ctDNA Método mais promissor para diagnóstico precoce não invasivo IA é crítica para identificar e classificar biomarcadores ctDNA em concentrações baixíssimas Atua na filtragem de ruídos para gerar amplificação do sinal precoce Estudos demonstram precisão superior a 90 na detecção de múltiplos tipos de câncer em estágios iniciais Fonte Fontes 2024 DESAFIOS ÉTICOS E TÉCNICOS Viés nos Algoritmos Modelos treinados com dados de uma única população podem falhar em grupos minoritários perpetuando disparidades no diagnóstico Privacidade de Dados Necessidade de padronização e protocolos rigorosos de segurança e anonimização especialmente para informações genômicas sensíveis Viés de Confirmação Tecnológica O alto desempenho da IA pode levar o clínico a uma deferência excessiva à máquina resultando na subavaliação do julgamento clínico e do contexto único do paciente Solução Treinamento contínuo das equipes médicas para manter o senso crítico e a supervisão humana RESULTADOS E DISCUSSÃO Fonte Autores 2025 CONCLUSÃO A IA é uma tecnologia transformadora na oncologia aumentando a sensibilidade e especificidade de biomarcadores genômicos de imagem e circulantes Permite o Diagnóstico Precoce e a Personalização do Tratamento A integração de ML e DL estabelece uma nova fronteira para a Medicina de Precisão Contribuição em Destaque A Biópsia Líquida analisada por IA é o método mais promissor para rastreamento populacional PERSPECTIVAS FUTURAS Validação clínica em larga escala Integração de dados genômicos de imagem e clínicos em plataformas únicas de IA Cooperação entre profissionais da saúde e cientistas da computação é essencial REFERÊNCIA S ALUM E U AIdriven biomarker discovery enhancing precision in cancer diagnosis and prognosis Discover Oncology v 16 n 1 art 313 13 Mar 2025 FONTES M A Inteligência Artificial na prevenção e tratamento oncológico Blog Oncológico Mariane Fontes 5 dez 2024 GILLIES R J KINAHAN P E HRICAK H Radiomics images are more than pictures they are data Radiology v 278 n 2 p 563577 Feb 2016 KASIVISVANATHAN V et al MRITargeted or standard biopsy for prostatecancer diagnosis The New England Journal of Medicine v 378 n 19 p 17671777 18 Mar 2018 VEDANA A B et al Inteligência Artificial na medicina diagnóstica Brazilian Journal of Implantology and Health Sciences v 6 n 11 p 765 794 nov 2024 APLICAÇÃO DA INTELIGÊNCIA ARTIFICIAL NA ANÁLISE DE BIOMARCADORES PARA O DIAGNÓSTICO PRECOCE DO CÂNCER Orientadora Profª Dra Fabia Julliana Jorge Souza Belo Horizonte 2025 AUTORES Fabiane Cristina Cunha de Rezende Giovanna Pinheiro Dias Maely Aline Alencar de Carvalho Milena Jordana de Castro Vinicius de Freitas Justiniano INTRODUÇÃO CONTEXTO E PROBLEMA CENTRAL Câncer Uma das maiores cargas de morbidade e mortalidade global Diagnóstico Precoce Fator crucial para prognóstico favorável e aumento da sobrevida Biomarcadores Indicadores biológicos genéticos moleculares de imagem cruciais para a detecção da doença em estágios iniciais Desafio O volume massivo e a complexidade dos dados gerados por novas técnicas NGS biópsias líquidas exigem ferramentas computacionais robustas INTRODUÇÃO JUSTIFICATIVA A Inteligência Artificial IA especialmente Machine Learning e Deep Learning é uma tecnologia disruptiva e promissora IA processa grandes volumes de dados identificando padrões complexos imperceptíveis por métodos tradicionais Garante diagnósticos mais rápidos precisos e otimizados fortalecendo a Medicina de Precisão OBJETIVOS ESPECÍFICO 1 ESPECÍFICO 2 ESPECÍFICO 3 Revisar as principais tecnologias de IA ML DL aplicadas à oncologia Destacar as contribuições da IA para aumentar a precisão e eficiência das abordagens de rastreamento e diagnóstico Identificar os desafios éticos e técnicos para a adoção plena da tecnologia OBJETIVO GERAL Explorar os avanços mais recentes e as perspectivas da integração da Inteligência Artificial na análise de biomarcadores para o diagnóstico precoce do câncer METODOLOGIA Tipo de Estudo Revisão Narrativa da Literatura Recorte Temporal Artigos publicados entre 2017 e 2025 Bases de Dados PubMed e SciELO Descritores Estratégia de Busca Artificial Intelligence OR Machine Learning OR Deep Learning AND Biomarkers OR Molecular Markers AND Neoplasms OR Cancer Critérios de InclusãoExclusão Artigos originais e revisões sistemáticas na íntegra Incluídos Resumos de congresso teses e dissertações Excluídos Análise de Dados Qualitativa e descritiva focada nas técnicas de IA tipos de biomarcadores e resultados principais RESULTADOS E DISCUSSÃO EIXO 1 MOLECULARGENÔMICO IA E BIOMARCADORES MOLECULARES E GENÔMICOS Processamento de Dados IA supera limitações de métodos tradicionais extraindo significado clínico de grandes bancos de dados Identificação de Mutações Algoritmos de Deep Learning DL são eficazes na identificação de mutações genéticas relevantes Ex genes TP53 KRAS EGFR Medicina Personalizada Classificação precisa de subtipos tumorais Predição de resposta a terapiasalvo através da análise multimodal genômica e proteômica Fonte Alum 2025 RESULTADOS E DISCUSSÃO EIXO 2 IMAGEM E BIÓPSIA LÍQUIDA IA EM IMAGEM RADIÔMICA E BIÓPSIA LÍQUIDA Radiômica IA transforma a imagem em um biomarcador quantificável Deep Learning CNNs identifica pontos sutis auxiliando na detecção precoce e na minimização de falsos resultados Aprimoramento de exames PETCT e Ressonância Magnética RM esta última demonstrando maior eficácia que a biópsia convencional em alguns casos ex câncer de próstata Fonte Gillies et al 2016 Kasivisvanathan et al 2018 RESULTADOS E DISCUSSÃO EIXO 2 IMAGEM E BIÓPSIA LÍQUIDA IA EM IMAGEM RADIÔMICA E BIÓPSIA LÍQUIDA Biópsia Líquida ctDNA Método mais promissor para diagnóstico precoce não invasivo IA é crítica para identificar e classificar biomarcadores ctDNA em concentrações baixíssimas Atua na filtragem de ruídos para gerar amplificação do sinal precoce Estudos demonstram precisão superior a 90 na detecção de múltiplos tipos de câncer em estágios iniciais Fonte Fontes 2024 DESAFIOS ÉTICOS E TÉCNICOS Viés nos Algoritmos Modelos treinados com dados de uma única população podem falhar em grupos minoritários perpetuando disparidades no diagnóstico Privacidade de Dados Necessidade de padronização e protocolos rigorosos de segurança e anonimização especialmente para informações genômicas sensíveis Viés de Confirmação Tecnológica O alto desempenho da IA pode levar o clínico a uma deferência excessiva à máquina resultando na subavaliação do julgamento clínico e do contexto único do paciente Solução Treinamento contínuo das equipes médicas para manter o senso crítico e a supervisão humana RESULTADOS E DISCUSSÃO Fonte Autores 2025 CONCLUSÃO A IA é uma tecnologia transformadora na oncologia aumentando a sensibilidade e especificidade de biomarcadores genômicos de imagem e circulantes Permite o Diagnóstico Precoce e a Personalização do Tratamento A integração de ML e DL estabelece uma nova fronteira para a Medicina de Precisão Contribuição em Destaque A Biópsia Líquida analisada por IA é o método mais promissor para rastreamento populacional PERSPECTIVAS FUTURAS Validação clínica em larga escala Integração de dados genômicos de imagem e clínicos em plataformas únicas de IA Cooperação entre profissionais da saúde e cientistas da computação é essencial REFERÊNCIAS ALUM E U AIdriven biomarker discovery enhancing precision in cancer diagnosis and prognosis Discover Oncology v 16 n 1 art 313 13 Mar 2025 FONTES M A Inteligência Artificial na prevenção e tratamento oncológico Blog Oncológico Mariane Fontes 5 dez 2024 GILLIES R J KINAHAN P E HRICAK H Radiomics images are more than pictures they are data Radiology v 278 n 2 p 563577 Feb 2016 KASIVISVANATHAN V et al MRITargeted or standard biopsy for prostate cancer diagnosis The New England Journal of Medicine v 378 n 19 p 17671777 18 Mar 2018 VEDANA A B et al Inteligência Artificial na medicina diagnóstica Brazilian Journal of Implantology and Health Sciences v 6 n 11 p 765794 nov 2024