ASCO 2026: Aplicações clínicas da Inteligência artificial na Oncologia

A inteligência artificial já deixou de ser uma curiosidade técnica em oncologia. Ela está entrando em áreas centrais do cuidado, como a patologia digital, radiologia, genômica, predição de risco, seleção de tratamento, monitoramento de doença residual mínima e até desenvolvimento de fármacos. A pergunta, portanto, não é mais se “a IA vai chegar? “, porque ela já chegou. A pergunta correta é quando ela realmente melhora a decisão clínica, e quando apenas produz uma resposta sofisticada sem mudar conduta?

A oncologia sempre foi uma especialidade de integração entre especialidades e de diversos parâmetros clínicos, laboratoriais, de imagem e de patologia. A IA multimodal tenta fazer algo parecido, só que em escala maior, usando dados de fontes diferentes para produzir uma estimativa de risco, uma sugestão de biomarcador, uma predição de resposta ou um alerta de recorrência.

Um modelo de IA só tem valor se tiver uso clínico definido, validação externa, integração no fluxo de trabalho, monitoramento contínuo e supervisão humana. Em oncologia, uma ferramenta que prediz algo, mas não muda decisão, só gera mais trabalho, ansiedade e até mesmo pode trazer dano ao paciente.

O que é IA multimodal

O ponto de partida é a ideia de multimodal artificial intelligenc, ou MMAI. Em vez de treinar um modelo apenas com imagem ou com lâmina digital, a IA multimodal tenta combinar diferentes tipos de dados em uma mesma estrutura preditiva. Isso é o que fazemos no ambulatório quando vamos tratar qualquer tipo de câncer, olhando em conjunto os dados clínicos, os dados de imagem e os dados de patologia e imunohistoquimica. A decisão nasce do conjunto dessas análises.

A paciente do mundo real gera dados contínuos para serem registrados, como exames, laudos, biomarcadores e evolução clínica. O modelo digital tenta simular cenários e prever desfechos, como por exemplo resposta ao tratamento, risco de progressão, elegibilidade para ensaio clínico ou necessidade de intensificar vigilância. É uma ideia ambiciosa que ainda está longe da rotina plena, mas ajuda a entender para onde o campo está caminhando.

Um modelo treinado em um hospital americano, com protocolos de imagem específicos, lâminas processadas de determinado jeito e acesso amplo a NGS, pode não funcionar igual em um serviço brasileiro com amostras menores, aparelhos diferentes, variação pré-analítica e dados clínicos incompletos. IA deve ser sempre avaliada dentro do contexto em que ela foi gerada e onde ela está sendo usada.

Evidência, governança e confiança

Os riscos do uso da IA além de matemático, são também sociotécnicos. O problema pode estar no uso mal definido dos parâmetros, na mudança do perfil dos pacientes, na diferença entre instituições, no fluxo de trabalho que não conversa com a ferramenta, ou na falta de monitoramento contínuo depois que o modelo entra em uso.

O uso de IA na prática deve levar em conta transparência, stakeholders informados, justiça, responsabilidade, supervisão e privacidade, além de aplicação centrada no ser humano. A ferramenta precisa responder algumas perguntas simples: Para que ela serve? Em que paciente foi validada? O resultado muda conduta? Quem responde juridicamente se ela errar? O paciente sabe como seus dados são usados? O desempenho foi testado em populações parecidas com a nossa?

Esse último ponto é particularmente importante no Brasil. Se um modelo tem bom desempenho médio, mas falha em subgrupos pouco representados, ele pode ampliar desigualdades. Em oncologia, isso pode significar subestimar risco em pacientes de menor renda, em populações negras ou indígenas, ou em pacientes tratados em serviços com menos acesso a exames de alta qualidade. A IA pode reduzir desigualdade, mas também pode automatizá-la.

A governança deve ser contínua. Isso inclui painéis de desempenho, auditoria periódica de prontuários, gatilhos de detecção de perda de performance e planos de atualização.

Saiba mais: ASCO 2026: Atualizações no câncer de próstata localizado

Patologia digital com uso de IA

A lâmina histológica tem uma riqueza enorme de informação, como arquitetura tecidual, células tumorais, estroma, necrose, linfócitos e padrão de crescimento. A IA tenta quantificar parte disso de forma reprodutível, e encontrar padrões que o olho humano pode não perceber de maneira consistente.

A patologia digital começa com a digitalização da lâmina inteira, o whole-slide image.

Depois, a lâmina é dividida em milhares de pequenos recortes, como se fossem campos de grande aumento. O modelo aprende quais áreas são mais relevantes para prever o rótulo do paciente, por exemplo diagnóstico, mutação ou desfecho.

A vantagem é não precisar que um patologista marque manualmente cada célula ou região tumoral, o modelo aprende a partir do rótulo global. De, entre a parte de engenharia de atributos.

Aqui, o modelo mede características previamente definidas, como morfologia nuclear, distribuição de linfócitos, organização celular, matriz extracelular, fibroblastos e relações espaciais entre células. Esse método costuma ser mais interpretável. Em vez de apenas dizer “alto risco”, ele pode sugerir quais características do tecido contribuíram para a predição.

Proteômica espacial

A proteômica espacial mede proteínas no tecido tumoral preservando a localização das células no tecido. No câncer de mama triplo-negativo e HER2 positivo, por exemplo, padrões de infiltração imune, interfaces tumor-estroma e vizinhanças celulares podem carregar informação prognóstica. Quanto maior infiltração linfocitária, melhor a sobrevida em câncer de mama triplo-negativo e em tumores receptores hormonais positivos altamente proliferativos.

A proteômica espacial é cara e complexa. Por isso falamos em “proteômica espacial virtual”, uma tentativa de inferir padrões espaciais de proteínas a partir de lâminas H&E convencionais usando IA. O modelo HEX, inicialmente validado em câncer de pulmão, é citado como exemplo dessa direção. A ideia é sedutora, visando extrair informação molecular espacial de uma lâmina comum, mas ainda é campo emergente e que precisa de mais estudos.

ctDNA, fragmentômica e rastreamento

Enquanto a lâmina é uma fotografia do tumor em um momento, o sangue com ctDNA pode mostrar doença residual mínima, resposta molecular evolução clonal ao longo do tempo. Porém os estudos de detecção precoce usando ctDNA ainda enfrentam dificuldade em demonstrar impacto em desfechos realmente importantes, como aumento de sobrevida global.

Radiologia e modelos fundacionais

Em radiologia oncológica, o uso mais prático no curto prazo da IA talvez seja melhorar segmentação, volumetria, comparação longitudinal e padronização de resposta. Isso pode reduzir a variabilidade no RECIST, melhorar o acompanhamento de lesões múltiplas e ajudar a detectar progressão sutil.

Modelagem de proteínas e desenvolvimento de fármacos

Predizer estrutura tridimensional de proteínas, interação droga-proteína e afinidade de ligação com uso de IA pode acelerar descoberta de fármacos e seleção de alvos.

Desafios e limitações

A maioria dos modelos de IA ainda está em validação, com alguns dados vindo de pré-publicações, apresentações em congresso, estudos retrospectivos ou coortes específicas, devendo mantermos cautela ainda quanto aos seus resultados.

Os modelos de IA podem funcionar muito bem no conjunto em que foram treinados e perderem sua utilidade quando mudam população, aparelho, técnica histológica, protocolo de coloração, tratamento padrão ou qualidade do prontuário. Esse fenômeno, chamado drift ou data set shift, é especialmente importante em oncologia, onde as condutas mudam rapidamente.

Um modelo pode ser treinado majoritariamente em dados de grandes centros acadêmicos, com pacientes de maior acesso. Ao ser aplicado em populações sub-representadas, pode errar mais. No Brasil, isso é central. Um sistema treinado em dados de Stanford pode não refletir a diversidade genética, social, assistencial e tecnológica do SUS.

Para usar IA em patologia digital, é preciso digitalizar lâminas, armazenar imagens gigantes, ter conectividade, equipe treinada e integração ao laudo. Para usar IA multimodal, é preciso prontuário estruturado, interoperabilidade e governança de dados. Muitos serviços brasileiros ainda lutam para integrar laudo, imagem, anatomopatológico e prescrição em um fluxo único.

Quem responde por uma decisão baseada em IA? O médico? A ferramenta? O hospital? O fabricante? Na prática, nenhuma ferramenta deveria ser usada sem supervisão médica e humana, sendo a decisão final sempre do médico.

O que isso agrega para a prática clínica, especialmente no Brasil

Para o oncologista brasileiro, a principal contribuição da apresentação é organizar expectativas. IA pode ajudar muito, mas não vai resolver sozinha problemas estruturais. Se o serviço não consegue garantir biópsia adequada, laudo anatomopatológico confiável, imuno-histoquímica básica, NGS quando indicado, imagem de qualidade e seguimento, a IA terá pouco espaço para entregar benefício ao paciente.

Ao mesmo tempo, há oportunidades claras. A patologia digital pode ampliar acesso à segunda opinião especializada, especialmente em regiões com poucos patologistas oncológicos. A IA pode ajudar na triagem de lâminas, reduzir tempo até diagnóstico e padronizar quantificações difíceis, como HER2 baixo, PD-L1, TILs ou padrões histológicos. Em radiologia, pode apoiar segmentação, comparação longitudinal e priorização de exames com achados críticos.

No SUS, talvez o maior valor inicial seja logístico e de priorização, podendo identificar paciente com alto risco de recidiva, priorizar laudo, sinalizar exame pendente, detectar perda de seguimento, organizar tumor board e reduzir atrasos.

Veja também: ASCO 2026: Câncer de próstata metastático: estudos com PARP

Mensagem prática

A mensagem prática é que a IA em oncologia deve ser tratada como ferramenta clínica de apoio. Ela pode ajudar a enxergar padrões em lâminas, imagens radiológicas, genômica e ctDNA no sangue que seriam difíceis de integrar manualmente. Pode apoiar prognóstico, seleção de tratamento, monitoramento de resposta e desenho de estudos, mas só merece entrar na rotina quando prova que funciona no paciente certo, no serviço certo e para uma decisão específica.

Para o oncologista recém-formado, vale guardar uma regra simples. Antes de se impressionar com qualquer ferramenta de IA, faça cinco perguntas: qual decisão ela apoia? Em que população foi validada? O desempenho foi testado fora do centro que criou o modelo? O resultado muda tratamento ou conduta? Quem monitora se ela começar a errar?

No Brasil, essa postura é ainda mais importante. Temos enorme diversidade de pacientes e desigualdade de acesso. Uma IA mal validada pode aumentar injustiças, enquanto uma IA bem implementada pode ajudar a reduzir atrasos, ampliar acesso a expertise e melhorar a precisão do cuidado. A diferença entre uma coisa e outra não está no algoritmo sozinho, mas sim na governança, no dado de qualidade, na validação local e na decisão médica responsável.

A IA não substitui o oncologista, o patologista ou o radiologista. Ela pode ser um bom copiloto, entretanto o piloto ainda precisa conhecer qual caminho e decisão clínica tomar, saber quando confiar na ferramenta e, principalmente, saber que ele tem o controle da decisão final.