# Qual é a acurácia da segmentação de câncer de pulmão em tomografia computadorizada por aprendizado profundo e quais fatores influenciam seu desempenho?

> A meta-análise mostrou Dice pooled de 79% (IC95%: 76%-83%), indicando acurácia moderada. Estudos pós-2022 tiveram melhor desempenho (82%) que os anteriores (75%). Fatores como tipo de algoritmo, ajuste de resolução e recorte de imagem afetaram os resultados. A eficácia é maior em estágios iniciais, com desafios em estágios avançados.

Estudo citado: Wang TW, Hong JS, Huang JW, Liao CY, Lu CF, Wu YT. Systematic review and meta-analysis of deep learning applications in computed tomography lung cancer segmentation. Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology. 2024. DOI: https://doi.org/10.1016/j.radonc.2024.110344. PubMed: https://pubmed.ncbi.nlm.nih.gov/38806113/

## Resposta

A segmentação precisa de tumores pulmonares em tomografias computadorizadas é essencial para diagnóstico e planejamento terapêutico. O aprendizado profundo (DL) tem sido explorado como ferramenta promissora, mas sua eficácia varia entre diferentes contextos clínicos e estágios tumorais. Esta revisão sistemática e meta-análise buscou sumarizar o desempenho desses algoritmos e identificar fatores associados à variação.

Foram incluídos 37 estudos publicados até novembro de 2023, avaliados por ferramentas de qualidade específicas (CLAIM e QUADAS-2). O coeficiente de similaridade Dice foi o principal desfecho, com valor pooled de 79% (IC95%: 76%-83%). Estudos em radioterapia apresentaram escore ligeiramente inferior (78%). Observou-se aumento temporal: trabalhos recentes (pós-2022) alcançaram 82% (IC95%: 81%-84%), contra 75% (IC95%: 70%-81%) dos anteriores.

A análise de subgrupos indicou que o tipo de algoritmo, o ajuste de resolução e o recorte de imagem influenciam o desempenho. A avaliação QUADAS-2 apontou risco ambíguo em 78% dos estudos devido a omissões de intervalos de dados, e preocupações com generalização em 8% por exclusão de nódulos de determinado tamanho. Os critérios CLAIM revelaram oportunidades de melhoria, com escore médio de 27,24 de 42.

Os autores concluem que os algoritmos de DL têm eficácia promissora, porém variável, com melhor desempenho em estágios iniciais. Destacam a necessidade de desenvolvimento de modelos personalizados para melhorar a acurácia em diferentes cenários, especialmente em estágios avançados, que apresentam maiores desafios. Avanços algorítmicos contínuos são cruciais para aplicações futuras.

Para o médico, esses achados reforçam que a ferramenta pode auxiliar, mas não substitui a avaliação clínica e radiológica. A variabilidade entre estudos sugere que a implementação requer validação local e atenção às características dos pacientes e dos protocolos de imagem.

## O que o estudo mostrou

Revisão sistemática e meta-análise de 37 estudos sobre segmentação de câncer de pulmão em TC por aprendizado profundo. O Dice pooled foi 79% (IC95%: 76%-83%). Estudos em radioterapia tiveram 78% (IC95%: 74%-82%). Houve aumento temporal: pós-2022, 82% (IC95%: 81%-84%) versus 75% (IC95%: 70%-81%) antes. Fatores como tipo de algoritmo, ajuste de resolução e recorte de imagem afetaram o desempenho. QUADAS-2: risco ambíguo em 78% por omissões de intervalos de dados e preocupações de generalização em 8% por exclusão de tamanho de nódulo. CLAIM: escore médio 27,24 de 42.

## Limitações

O resumo não informa detalhes sobre a amostra total de pacientes ou exames, nem sobre a heterogeneidade estatística entre os estudos. As avaliações de qualidade indicam riscos ambíguos e preocupações de generalização. A meta-análise agrega estudos com diferentes desenhos e contextos, o que pode limitar a aplicabilidade dos resultados. O resumo não fornece informações sobre viés de publicação ou análise de sensibilidade.

## Aplicação no consultório

Os achados sugerem que algoritmos de aprendizado profundo podem auxiliar na segmentação tumoral, mas com acurácia moderada e variável. Na prática clínica, a ferramenta deve ser vista como apoio, não substituindo o julgamento médico. Para gestão do consultório, considerar a necessidade de validação local dos algoritmos e treinamento da equipe. A escolha de sistemas deve levar em conta o tipo de algoritmo e as técnicas de processamento de imagem, que influenciam o desempenho.

## Perguntas para aprofundar

- Como o aprendizado profundo pode ser integrado ao fluxo de trabalho radiológico para segmentação de tumores pulmonares?
- Quais são os desafios para generalização dos algoritmos de segmentação em diferentes estágios do câncer de pulmão?
- Que fatores técnicos devem ser considerados na escolha de um sistema de segmentação por aprendizado profundo?

Tema: IA em diagnóstico por imagem e radiologia. Página: https://alphadoctor.com.br/ciencia/ia-radiologia/qual-e-a-acuracia-da-segmentacao-de-cancer-de-pulmao-em-tomografia/

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