# A geração de tomografia computadorizada sintética (sCT) por aprendizado profundo está pronta para uso clínico em radioterapia e PET?

> A revisão sistemática agrupou métodos de aprendizado profundo para sCT em três aplicações: substituir a TC no planejamento baseado em RM, facilitar radioterapia adaptativa guiada por CBCT e derivar mapas de atenuação para correção de PET. Os autores avaliaram o status clínico desses métodos, mas o resumo não informa conclusões definitivas sobre prontidão clínica.

Estudo citado: Spadea MF, Maspero M, Zaffino P, Seco J. Deep learning based synthetic-CT generation in radiotherapy and PET: A review. Medical physics. 2021. DOI: https://doi.org/10.1002/mp.15150. PubMed: https://pubmed.ncbi.nlm.nih.gov/34407209/

## Resposta

A revisão sistemática teve como objetivo agrupar e comparar os métodos de aprendizado profundo para geração de tomografia computadorizada sintética (sCT) em radioterapia e PET. Os autores classificaram os estudos em três categorias conforme a aplicação clínica: substituição da TC no planejamento de tratamento baseado em ressonância magnética (RM), facilitação da radioterapia adaptativa guiada por tomografia computadorizada de feixe cônico (CBCT) e derivação de mapas de atenuação para correção de PET.

A busca por artigos foi realizada em bases de dados apropriadas, abrangendo publicações entre janeiro de 2014 e dezembro de 2020. Para cada estudo elegível, foram extraídas as características principais dos métodos de aprendizado profundo, e uma comparação abrangente entre arquiteturas de rede e métricas de avaliação foi reportada. Uma revisão detalhada de cada categoria foi apresentada, destacando contribuições essenciais, identificando desafios específicos e sumarizando os avanços.

Além disso, os autores analisaram estatísticas de todos os trabalhos citados sob diversas perspectivas, revelando a popularidade, as tendências futuras e o potencial da geração de sCT baseada em aprendizado profundo. O status atual desses métodos foi avaliado, com uma análise da prontidão clínica das abordagens apresentadas.

O resumo não fornece detalhes sobre o número de estudos incluídos, as métricas específicas utilizadas ou os resultados quantitativos da comparação. Portanto, não é possível extrair conclusões numéricas ou afirmações sobre superioridade de uma arquitetura sobre outra. A revisão destaca a relevância crescente do tema e a necessidade de avaliação clínica rigorosa.

Para o médico brasileiro, a revisão oferece um panorama organizado das aplicações e dos desafios da sCT por aprendizado profundo, mas não permite afirmar que a tecnologia esteja pronta para uso clínico rotineiro. O resumo não informa se há recomendações práticas ou critérios de implementação.

## O que o estudo mostrou

Trata-se de uma revisão sistemática que buscou artigos publicados entre janeiro de 2014 e dezembro de 2020 sobre métodos de aprendizado profundo para geração de sCT. Os estudos foram agrupados em três categorias: substituição da TC no planejamento baseado em RM, facilitação da radioterapia adaptativa guiada por CBCT e derivação de mapas de atenuação para correção de PET. Foram extraídas características dos métodos, comparadas arquiteturas de rede e métricas, e analisadas estatísticas dos trabalhos citados. O resumo não informa o número de estudos incluídos nem os resultados quantitativos dessa comparação.

## Limitações

O resumo não informa o número de artigos incluídos, os critérios de elegibilidade, a qualidade metodológica dos estudos originais ou os resultados numéricos da comparação entre arquiteturas. Também não são apresentadas limitações específicas dos métodos de aprendizado profundo, como necessidade de dados pareados, generalização entre scanners ou validação clínica. Essas informações são essenciais para julgar a robustez das conclusões.

## Aplicação no consultório

A revisão pode auxiliar o médico na compreensão das aplicações potenciais da sCT por aprendizado profundo em radioterapia e PET, mas não fornece evidências suficientes para incorporar a tecnologia na rotina clínica. Para a gestão do consultório, não há dados sobre custo, implementação ou fluxo de trabalho. O médico deve acompanhar a evolução do tema e aguardar estudos clínicos que demonstrem benefício e segurança antes de considerar a adoção.

## Perguntas para aprofundar

- Quais são as principais arquiteturas de aprendizado profundo usadas para gerar sCT em radioterapia?
- Como a sCT baseada em aprendizado profundo se compara à TC convencional no planejamento de tratamento?
- Quais desafios ainda impedem a implementação clínica rotineira da sCT em PET?

Tema: IA em diagnóstico por imagem e radiologia. Página: https://alphadoctor.com.br/ciencia/ia-radiologia/a-geracao-de-tomografia-computadorizada-sintetica-sct-por-aprendizado-profundo/

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