Inteligência artificial para avaliação da qualidade das células estromais: Uma revisão sistemática das propriedades e viabilidade das células estromais mesenquimais humanas

O que aconteceu

A avaliação confiável da viabilidade da célula estromal mesenquimal (CTM) e das propriedades associadas às células-tronco é essencial para garantir a consistência, segurança e potencial terapêutico das culturas de CTM antes do uso clínico. No entanto, a compreensão incompleta dos mecanismos subjacentes aos efeitos terapêuticos dos CTM permanece uma grande barreira para a tradução clínica e para o estabelecimento de atributos de qualidade confiáveis e padronizados. A inteligência artificial (IA) pode permitir a avaliação automatizada destas propriedades, mas o desempenho e a relevância clínica das abordagens baseadas em IA não foram sistematicamente avaliados. Esta revisão sistemática avaliou a acurácia e a utilidade clínica da IA na avaliação da viabilidade e das propriedades associadas às células-tronco em culturas humanas de CTM. Seguindo as diretrizes PRISMA, buscamos cinco bases de dados eletrônicas (Cochrane, Scopus, PubMed, EMBASE e MEDLINE) para estudos elegíveis que reportam avaliações quantitativas baseadas em IA de culturas de MSC humanos. Dois revisores analisaram de forma independente estudos, extraíram dados e avaliaram o risco de viés utilizando o PROBAST. O protocolo de revisão foi registrado prospectivamente com PROSPERO (CRD420256393235). Dos 3.872 registros identificados, 18 estudos atenderam aos critérios de inclusão. Modelos de IA supervisionados, particularmente redes neurais convolucionais, foram mais utilizados. Entre os estudos incluídos, as métricas de desempenho relatadas variaram substancialmente devido às diferenças nos modelos de IA, modalidades de imagem, conjuntos de dados e definições de resultados. Uma heterogeneidade considerável em arquiteturas de modelos de IA, modalidades de imagem, definições de resultados e métricas de relatórios limitou a comparação direta entre os estudos. No geral, as evidências disponíveis sugerem que a IA pode avaliar os principais atributos de qualidade do MSC e pode apoiar fluxos de trabalho de controle de qualidade mais objetivos, escaláveis e padronizados. No entanto, é necessária uma validação mais ampla, relatórios padronizados, testes externos e avaliação em uma gama mais ampla de características do MSC, antes de ser recomendada a implementação clínica de rotina.