# Quais abordagens de redes neurais têm melhor desempenho na segmentação semântica automática de estruturas hepáticas em tomografias computadorizadas? > Segundo a revisão sistemática, redes híbridas 2D e 3D totalmente automáticas apresentam o melhor desempenho na segmentação semântica do fígado. Para segmentação de tumores hepáticos e de vasos, abordagens generativas totalmente automáticas se destacam. Ainda assim, os benchmarks relatados indicam que há muito a melhorar na segmentação dessas pequenas estruturas em TC abdominal de alta resolução. Estudo citado: Delmoral JC, R S Tavares JM. Semantic Segmentation of CT Liver Structures: A Systematic Review of Recent Trends and Bibliometric Analysis : Neural Network-based Methods for Liver Semantic Segmentation. Journal of medical systems. 2024. DOI: https://doi.org/10.1007/s10916-024-02115-6. PubMed: https://pubmed.ncbi.nlm.nih.gov/39400739/ ## Resposta A revisão sistemática e bibliométrica reuniu a literatura recente sobre modelos de redes neurais, principalmente de aprendizado profundo, aplicados à segmentação semântica de estruturas hepáticas em imagens de tomografia computadorizada. O objetivo foi mapear as direções de pesquisa do campo em termos de características algorítmicas, descrevendo modelagem, desempenho e complexidade dos modelos. Os achados apontam que redes híbridas 2D e 3D totalmente automáticas são as de melhor desempenho na segmentação semântica do fígado. Quando o alvo são tumores hepáticos e estruturas vasculares, as abordagens generativas totalmente automáticas aparecem como as de melhor desempenho entre as estudadas. Apesar desses resultados, os benchmarks de desempenho relatados mostram que ainda há muito a ser melhorado na segmentação dessas estruturas pequenas em exames de TC abdominal de alta resolução. Ou seja, o desempenho varia conforme a estrutura-alvo e o tipo de modelo empregado. Para o médico, a mensagem prática é que a escolha do modelo importa conforme a tarefa: segmentação do fígado como um todo e segmentação de tumores ou vasos não devem ser tratadas como equivalentes. O resumo não informa amostra, desenho detalhado dos estudos incluídos nem limitações específicas dos trabalhos analisados. A revisão também destaca que, embora o uso de inteligência artificial na segmentação de estruturas hepáticas em imagens médicas seja um foco de pesquisa popular na última meia década, não havia até então um relatório cientométrico com visão sistemática dessa área. O artigo busca preencher essa lacuna ao organizar as direções de pesquisa em termos de características algorítmicas. ## O que o estudo mostrou Trata-se de uma revisão sistemática e bibliométrica de publicações relevantes sobre segmentação semântica totalmente automática de estruturas hepáticas em imagens de tomografia computadorizada, analisando objetivo de modelagem algorítmica, benchmark de desempenho e complexidade do modelo. O resumo não informa o número de estudos incluídos nem a amostra. Os achados indicam que redes híbridas 2D e 3D totalmente automáticas têm melhor desempenho na segmentação do fígado, enquanto abordagens generativas totalmente automáticas se destacam na segmentação de tumores hepáticos e de vasos. Os benchmarks relatados mostram que ainda há muito a melhorar na segmentação dessas pequenas estruturas em TC abdominal de alta resolução. ## Limitações O resumo não informa o número de estudos incluídos, os critérios de seleção, a qualidade metodológica dos trabalhos analisados nem as limitações específicas de cada estudo. Também não detalha métricas de desempenho nem tamanhos de amostra dos conjuntos de dados. Assim, as conclusões sobre os modelos de melhor desempenho devem ser interpretadas como síntese do que foi relatado na literatura revisada, e não como validação clínica independente. ## Aplicação no consultório Na prática e na gestão do consultório, a revisão reforça que ferramentas de segmentação hepática baseadas em redes neurais devem ser avaliadas conforme a tarefa pretendida: segmentação do fígado, de tumores ou de vasos. Ao considerar incorporar ou indicar tecnologias de apoio à imagem, o médico pode usar esse panorama para discutir com fornecedores qual tipo de modelo foi validado e para qual estrutura. O resumo não traz dados de custo, fluxo de trabalho ou impacto em desfechos clínicos, o que limita decisões de aquisição baseadas apenas nesse artigo. ## Perguntas para aprofundar - Como diferenciar, na prática, o desempenho de modelos híbridos 2D e 3D versus modelos generativos na segmentação de tumores hepáticos em TC? - Quais métricas de desempenho são usadas nos benchmarks de segmentação semântica de estruturas hepáticas? - O que falta para que a segmentação automática de pequenas estruturas vasculares em TC abdominal de alta resolução seja confiável? Tema: IA em oncologia. Página: https://alphadoctor.com.br/ciencia/ia-oncologia/quais-abordagens-de-redes-neurais-tem-melhor-desempenho-na-segmentacao/ Conteúdo educacional para profissionais de saúde, baseado no resumo do artigo citado. Não substitui a leitura do estudo original nem avaliação clínica.