Predição de desfechos clínicos em câncer de mama luminal B por meio de modelos de machine learning baseado em variantes somáticas

Machine learning-based prediction of clinical outcomes in luminal b breast cancer using somatic variant signatures

Resumo

A aplicação de técnicas de machine learning na oncologia tem possibilitado a integração de dados genômicos complexos para a predição de desfechos clínicos. No câncer de mama subtipo Luminal B, a elevada heterogeneidade tumoral representa um desafio para a estratificação prognóstica e definição terapêutica. Este estudo teve como objetivo desenvolver modelos preditivos baseados em variantes somáticas para avaliação de agressividade tumoral. Foi implementado um pipeline de machine learning utilizando algoritmos supervisionados, incluindo XGBoost, Support Vector Machine e Redes Neurais Artificiais. A seleção de variáveis foi realizada com base em importância preditiva, priorizando genes com relevância biológica. O desempenho dos modelos foi avaliado por meio de métricas como área sob a curva ROC, sensibilidade, especificidade e escore F1. Os resultados demonstraram elevada capacidade preditiva, com destaque para o modelo XGBoost (AUC = 0,88), seguido por Redes Neurais (AUC = 0,87) e SVM (AUC = 0,85). A análise de interpretabilidade indicou que genes como PIK3CA, TP53 e ERBB2 foram os principais determinantes das predições. Os achados reforçam o potencial do uso de machine learning na identificação de padrões genômicos associados à agressividade tumoral, contribuindo para estratégias de medicina de precisão.