IA em medicina de precisão e genômica

Um sistema CAD baseado em radiômica e aprendizado profundo pode estadiar fibrose hepática em cinco graus METAVIR usando MRI?

Resposta

O estadiamento preciso da fibrose hepática é importante para prever o risco de morbidade hepática e orientar tratamento e monitoramento. A maioria das pesquisas anteriores foca em classificação binária, como cirrose versus não cirrose. Este estudo propõe um sistema CAD abrangente, denominado TMM, para classificar a fibrose em cinco estágios conforme a escala METAVIR, buscando maior precisão.

O sistema TMM é composto por três módulos: TISRF, que extrai características radiômicas para distinguir estágios; MECOC, que codifica multiclasses monotônicas aproveitando a progressão da fibrose e aumentando a tolerância a erros; e MMDF, que combina múltiplas redes Deep Forest para a classificação final em cinco classes. O desempenho foi testado em dados de MRI T1W de modelos de fibrose em coelhos.

Foram selecionadas 140 regiões de interesse de 35 coelhos com diferentes estágios de fibrose (F0 a F4). A avaliação por validação cruzada de cinco dobras mostrou que o TMM alcançou acurácia total de 72,14% para os cinco estágios, superando outros classificadores populares. Um experimento comparativo com classificação binária também foi realizado.

Os autores concluem que a T1WI pode obter estadiamento preciso da fibrose hepática com o auxílio de um sistema CAD abrangente que inclui extração de características radiômicas inspiradas em radiologistas, multiclassificação monotônica de acordo com a severidade da fibrose e classificação por aprendizado profundo.

O estudo sugere que a abordagem de classificação em cinco estágios é viável e pode ser mais informativa que a classificação binária, mas os resultados são preliminares e obtidos em modelo animal, necessitando validação em humanos antes da aplicação clínica.

O que o estudo mostrou

Estudo experimental em modelos de coelhos com fibrose hepática, utilizando imagens de MRI T1W. Foram selecionadas 140 regiões de interesse de 35 coelhos, distribuídos nos estágios F0 (n=16), F1 (n=28), F2 (n=29), F3 (n=44) e F4 (n=23). O sistema CAD proposto, TMM, alcançou acurácia total de 72,14% na classificação de cinco estágios, avaliado por validação cruzada de cinco dobras, superando outros métodos populares. Uma comparação com classificação binária também foi realizada.

Limitações

O resumo não informa detalhes sobre as limitações do estudo. Os resultados são baseados em modelo animal (coelhos) e não podem ser diretamente extrapolados para humanos. O desempenho de 72,14% indica que ainda há erros de classificação. Não há informações sobre validação externa ou em diferentes equipamentos de MRI.

Aplicação no consultório

Embora o estudo seja preliminar em animais, ele aponta para o potencial de sistemas CAD baseados em radiômica e aprendizado profundo para auxiliar no estadiamento não invasivo da fibrose hepática. Para o médico, isso reforça a tendência de ferramentas de apoio ao diagnóstico por imagem. No consultório, é importante acompanhar o desenvolvimento dessas tecnologias, mas a aplicação clínica ainda não está estabelecida; decisões devem se basear em métodos validados. A gestão pode considerar a incorporação futura de softwares de análise de imagem, mas com cautela e avaliação crítica.

Estudo citado

TMM: A comprehensive CAD system for hepatic fibrosis 5-grade METAVIR staging based on liver MRI. Medical physics, 2024.
Autores: Liu H, Fu Y, Guo D, Li S, Jin Y, Zhang A, Wu C.
DOI: 10.1002/mp.16700 · PubMed: PMID 37734071

Perguntas para aprofundar

• Qual a acurácia de sistemas CAD baseados em radiômica para estadiamento da fibrose hepática em humanos?
• Como a classificação multiclasse da fibrose hepática pode impactar o manejo clínico em comparação à classificação binária?
• Quais são os desafios para transpor modelos de aprendizado profundo desenvolvidos em animais para a prática clínica em hepatologia?

Mais sobre IA em medicina de precisão e genômica

• A inteligência artificial em tomografia abdominal é tão precisa quanto radiologistas para diferenciar carcinoma hepatocelular de colangiocarcinoma?
• A decocção Xiao-Chai-Hu é eficaz no tratamento da hepatite, fibrose hepática e carcinoma hepatocelular, e qual a duração ideal do tratamento?
• Como a radiômica tem sido aplicada na medicina de precisão do câncer colorretal e quais as tendências de pesquisa?
• Modelos de machine learning aplicados à RM podem predizer resposta patológica completa à quimiorradioterapia neoadjuvante no câncer retal?
• Como a inteligência artificial, especialmente o aprendizado profundo, pode ser aplicada na predição de risco de câncer de mama?

Todas as perguntas sobre IA em medicina de precisão e genômica · Todos os temas · Versão em markdown