# Modelos de machine learning aplicados à radiômica de PET com 18F-FDG têm boa acurácia diagnóstica para classificação de gliomas?

> Sim. Uma revisão sistemática com meta-análise mostrou acurácia agrupada de 92,6%, AUC de 0,95, sensibilidade de 85,4% e especificidade de 89,7% para modelos de machine learning baseados em radiômica de PET com 18F-FDG na classificação de gliomas. A heterogeneidade foi alta, e modelos com CNNs ou integração PET/MRI tiveram melhor desempenho.

Estudo citado: Shahriari A, Ghazanafar Ahari S, Mousavi A, Sadeghi M, Abbasi M, Hosseinpour M et al.. Machine Learning-Driven radiomics on 18 F-FDG PET for glioma diagnosis: a systematic review and meta-analysis. Cancer imaging : the official publication of the International Cancer Imaging Society. 2025. DOI: https://doi.org/10.1186/s40644-025-00915-8. PubMed: https://pubmed.ncbi.nlm.nih.gov/40859334/

## Resposta

A revisão sistemática com meta-análise avaliou o desempenho diagnóstico de modelos de machine learning treinados com características radiômicas de PET com 18F-FDG para classificação de gliomas. Os estudos incluídos totalizaram 2.321 pacientes, e as estimativas agrupadas mostraram acurácia de 92,6%, AUC de 0,95, sensibilidade de 85,4%, especificidade de 89,7%, F1 score de 0,78 e precisão de 0,90.

Os resultados indicam que os modelos baseados em radiômica de PET com 18F-FDG apresentam desempenho diagnóstico forte e equilibrado. A heterogeneidade foi alta em todos os domínios (I² >75%), e a meta-regressão identificou o tipo de modelo de machine learning e a estratégia de validação como moderadores parciais. Modelos que utilizaram CNNs ou integração PET/MRI alcançaram desempenho superior.

Apesar dos números favoráveis, a heterogeneidade metodológica é expressiva. O resumo não detalha os protocolos de imagem, os tipos de características radiômicas ou os desenhos de validação de cada estudo, o que limita a comparação direta entre os resultados. A conclusão dos autores destaca a necessidade de pipelines padronizados, validação externa e relato transparente antes da integração clínica.

Para o médico que atua no diagnóstico de gliomas, os achados sugerem que a radiômica de PET com 18F-FDG associada a machine learning pode ser uma ferramenta promissora, mas ainda não está pronta para uso rotineiro sem padronização. A aplicação clínica exige cautela e consideração das limitações metodológicas apontadas.

A pergunta clínica sobre a acurácia desses modelos é respondida com estimativas agrupadas robustas, porém a variabilidade entre estudos reforça que a implementação na prática deve aguardar validação externa e protocolos harmonizados. O resumo não informa dados sobre custo-efetividade ou impacto em desfechos clínicos.

## O que o estudo mostrou

Revisão sistemática e meta-análise com 2.321 pacientes, avaliando modelos de machine learning baseados em radiômica de PET com 18F-FDG para classificação de gliomas. As métricas agrupadas foram: acurácia de 92,6% (IC 95%: 91,3-93,9%), AUC de 0,95 (IC 95%: 0,94-0,95), sensibilidade de 85,4%, especificidade de 89,7%, F1 score de 0,78 e precisão de 0,90. A heterogeneidade foi alta (I² >75%), e modelos com CNNs ou integração PET/MRI tiveram melhor desempenho.

## Limitações

O resumo não informa detalhes sobre os protocolos de imagem, as características radiômicas extraídas, os tipos específicos de modelos de machine learning ou as estratégias de validação de cada estudo. A heterogeneidade foi alta em todos os domínios (I² >75%), o que limita a generalização das estimativas agrupadas. O resumo também não informa se houve avaliação de viés ou análise de subgrupos por grau tumoral.

## Aplicação no consultório

Os achados sugerem que a radiômica de PET com 18F-FDG combinada a machine learning pode auxiliar na classificação de gliomas, mas a alta heterogeneidade e a ausência de validação externa padronizada indicam que a ferramenta ainda não deve ser incorporada à rotina clínica. No consultório, o médico deve considerar esses resultados como promissores, porém experimentais, e priorizar métodos diagnósticos estabelecidos. A gestão pode acompanhar o desenvolvimento de pipelines padronizados e aguardar estudos com validação externa antes de investir em implementação.

## Perguntas para aprofundar

- Qual é o desempenho diagnóstico de modelos de machine learning baseados em radiômica de PET com 18F-FDG para diferenciar gliomas de alto e baixo grau?
- A integração de PET/MRI melhora a acurácia de modelos de radiômica para classificação de gliomas em comparação com PET isolado?
- Quais estratégias de validação externa são necessárias para tornar modelos de radiômica de PET com 18F-FDG aplicáveis na prática clínica?

Tema: IA em oncologia. Página: https://alphadoctor.com.br/ciencia/ia-oncologia/modelos-de-machine-learning-aplicados-a-radiomica-de-pet-com-18f-fdg-tem-boa/

Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.