Regulação e validação clínica de IA

A tradução de imagens não pareadas por aprendizado profundo já está pronta para aplicação clínica na física médica?

Resposta

A tradução de imagens não pareadas (unpaired image-to-image translation) é uma técnica de aprendizado profundo que permite transformar imagens de um domínio para outro sem a necessidade de pares de imagens correspondentes. Esta revisão sistemática teve como objetivo mapear o estado atual dessa tecnologia na física médica, identificando desafios e oportunidades para físicos médicos e engenheiros.

Os autores realizaram uma busca no PubMed e incluíram 55 artigos completos. As principais aplicações técnicas descritas foram segmentação (26 estudos), adaptação de domínio não pareada (18 estudos) e denoising (8 estudos). Clinicamente, a técnica foi usada para contorno automático de regiões de interesse em imagens de MRI, CT, raios-X e ultrassom, imagens rápidas de MRI ou CT de baixa dose, e planejamento de radioterapia baseado apenas em CT ou MRI, entre outras.

Apesar do potencial, a revisão revelou limitações importantes na validação dos modelos. Apenas 5 estudos validaram seus modelos usando um conjunto de teste independente, e nenhum foi validado externamente por pesquisadores independentes. Além disso, somente 12 artigos publicaram seu código-fonte e apenas um estudo disponibilizou modelos pré-treinados. Esses achados sugerem que a aplicabilidade imediata na prática clínica ainda é limitada.

Para o físico médico, a tradução de imagens não pareadas oferece ferramentas promissoras para melhorar a qualidade de imagem, reduzir dose e automatizar tarefas de contorno. No entanto, a ausência de validação externa e a falta de modelos públicos dificultam a implementação segura e reprodutível em serviços de radioterapia e diagnóstico por imagem. A revisão reforça a necessidade de estudos de validação independentes e de maior transparência na disponibilização de códigos e modelos.

Em resumo, a tecnologia é promissora, mas a prática clínica exige cautela. Físicos médicos interessados em adotar essas soluções devem considerar a realização de validações locais e acompanhar o desenvolvimento de modelos públicos e validados externamente.

O que o estudo mostrou

Revisão sistemática conduzida no PubMed, em conformidade com a declaração PRISMA, que incluiu 55 artigos completos de um total de 461 registros únicos. As aplicações técnicas mais frequentes foram segmentação (26 estudos), adaptação de domínio não pareada (18 estudos) e denoising (8 estudos). Aplicações clínicas incluíram contorno automático em MRI, CT, raios-X e ultrassom, imagens rápidas de MRI ou CT de baixa dose e planejamento de radioterapia baseado apenas em CT ou MRI. Apenas 5 estudos validaram modelos com conjunto de teste independente, nenhum foi validado externamente, 12 publicaram código-fonte e um disponibilizou modelos pré-treinados.

Limitações

O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, como risco de viés ou heterogeneidade. A revisão se restringe a uma única base de dados (PubMed) e não menciona a inclusão de literatura cinzenta. A falta de validação externa e a escassez de modelos públicos limitam a generalização dos achados. O resumo também não informa o tipo de estudo TRIPOD de cada artigo incluído.

Aplicação no consultório

Para o físico médico em consultoria, a revisão orienta a avaliação crítica de ferramentas de tradução de imagens antes de recomendar sua adoção em serviços de radioterapia ou diagnóstico. A ausência de validação externa e de modelos públicos sugere que a implementação clínica deve ser precedida de validação local e de análise de reprodutibilidade. Na gestão do consultório, isso significa incluir etapas de verificação independente e considerar o custo de desenvolver ou adaptar modelos, além de priorizar soluções com código e modelos disponíveis para auditoria.

Estudo citado

Deep learning based unpaired image-to-image translation applications for medical physics: a systematic review. Physics in medicine and biology, 2023.
Autores: Chen J, Chen S, Wee L, Dekker A, Bermejo I.
DOI: 10.1088/1361-6560/acba74 · PubMed: PMID 36753766

Perguntas para aprofundar

• Quais são os principais desafios para a validação externa de modelos de tradução de imagens não pareadas na física médica?
• Como a adaptação de domínio não pareada pode contribuir para reduzir a dose de radiação em exames de CT?
• Quais critérios de transparência e reprodutibilidade devem ser exigidos ao avaliar ferramentas de aprendizado profundo para imagens médicas?

Mais sobre Regulação e validação clínica de IA

• A análise de ECG por inteligência artificial já é confiável para prever diabetes na prática clínica?
• Modelos de deep learning são confiáveis para detectar, localizar e caracterizar câncer de próstata clinicamente significativo na ressonância magnética?
• Modelos de deep learning são confiáveis para prever progressão da osteoartrite do joelho a partir de imagens?
• A detecção de bacilos álcool-ácido resistentes por aprendizado profundo em imagens de microscopia é precisa o suficiente para uso clínico?
• O aprendizado profundo melhora de fato a qualidade objetiva da imagem em tomografia computadorizada de feixe cônico dentomaxilofacial?

Todas as perguntas sobre Regulação e validação clínica de IA · Todos os temas · Versão em markdown