# Modelos de inteligência artificial e aprendizado de máquina para segmentação e quantificação de malformações arteriovenosas cerebrais têm potencial para uso clínico?

> Uma revisão sistemática com treze estudos e 3.010 indivíduos mostrou que modelos de IA e aprendizado de máquina, como U-Net e YOLO, alcançaram Dice médio de 0,758 na segmentação de MAVs e foram úteis na avaliação de risco hemorrágico e planejamento de radiocirurgia. No entanto, a generalização e a implementação clínica ainda são limitadas, exigindo validação prospectiva.

Estudo citado: Yurtluk MD, Balasubramanian K, Blackwell MP, Obaid M, Wahood W, Cohen-Gadol AA et al.. Artificial intelligence and machine learning driven segmentation and quantification models for brain arteriovenous malformations: A systematic review. Neuroradiology. 2025. DOI: https://doi.org/10.1007/s00234-025-03839-z. PubMed: https://pubmed.ncbi.nlm.nih.gov/41240100/

## Resposta

A revisão sistemática avaliou a aplicação de inteligência artificial (IA) e aprendizado de máquina (ML) na segmentação automática, quantificação e planejamento de tratamento de malformações arteriovenosas cerebrais (MAVs). Foram incluídos treze estudos, totalizando 3.010 indivíduos, com modalidades de imagem predominantes TOF-MRA e MRI. Os modelos identificados incluíram U-Net, Dense U-Net, YOLO, SVM e agrupamento fuzzy c-means.

Os resultados mostraram que, em todos os experimentos, a pontuação média de similaridade Dice foi de 0,758. Os modelos demonstraram utilidade na avaliação de risco de sangramento, envolvimento do trato corticoespinhal, predição de difusidade da MAV, segmentação do nidus e planejamento de radiocirurgia estereotáxica (SRS). Em tarefas de planejamento de radiação e risco hemorrágico, vários modelos forneceram acurácia preditiva melhor ou comparável e boa concordância com segmentações manuais.

A conclusão dos autores é que a IA e o ML mostram potencial para avaliação de MAVs, com estudos iniciais sugerindo que podem apoiar a eficiência e a padronização no diagnóstico e planejamento de tratamento. No entanto, a generalização dos modelos e a implementação clínica permanecem limitadas. Estudos futuros devem focar em validação prospectiva, integração de imagens multimodais e segmentação pós-tratamento para melhorar a tradução clínica.

Para o médico que atua no cuidado de pacientes com MAVs, esses achados indicam que as ferramentas de IA ainda não estão prontas para substituir a avaliação especializada, mas podem, no futuro, auxiliar em tarefas repetitivas e na padronização de medidas. A heterogeneidade dos modelos e a falta de validação externa limitam a aplicação imediata na rotina.

A incorporação dessas tecnologias na prática clínica exigirá validação em cenários reais e treinamento das equipes. A gestão do consultório pode se beneficiar da automação de tarefas de segmentação, potencialmente reduzindo tempo de análise de imagens, mas isso depende de estudos confirmatórios.

## O que o estudo mostrou

Revisão sistemática guiada pelo PRISMA que incluiu treze estudos com 3.010 indivíduos, avaliando modelos de IA e ML para análise de imagens de MAVs. As modalidades mais usadas foram TOF-MRA e MRI. Os modelos incluíram U-Net, Dense U-Net, YOLO, SVM e fuzzy c-means. A pontuação média de Dice foi 0,758. Os modelos foram úteis na avaliação de risco de sangramento, envolvimento do trato corticoespinhal, predição de difusidade, segmentação do nidus e planejamento de SRS, com acurácia preditiva melhor ou comparável e boa concordância com segmentações manuais.

## Limitações

O resumo não informa detalhes sobre o desenho dos estudos incluídos, possíveis vieses ou heterogeneidade entre eles. A generalização dos modelos é limitada, e a implementação clínica ainda não está estabelecida. Não há dados sobre validação prospectiva ou desempenho em diferentes populações. O resumo também não informa sobre a qualidade metodológica dos estudos originais.

## Aplicação no consultório

Os achados sugerem que ferramentas de IA para segmentação de MAVs ainda são experimentais e não devem ser usadas como única base para decisões clínicas. No consultório, o médico pode considerar que tais tecnologias, quando validadas, poderiam auxiliar na padronização de medidas e no planejamento de radiocirurgia, mas a dependência de validação externa e a necessidade de treinamento permanecem. A gestão pode se beneficiar da automação de tarefas repetitivas, mas investimentos devem aguardar evidências mais robustas.

## Perguntas para aprofundar

- Qual é o desempenho dos modelos de IA na predição de risco hemorrágico em MAVs cerebrais?
- Como a segmentação automática por IA se compara à segmentação manual no planejamento de radiocirurgia estereotáxica?
- Quais são os desafios para a implementação clínica de modelos de aprendizado de máquina na avaliação de MAVs?

Tema: Regulação e validação clínica de IA. Página: https://alphadoctor.com.br/ciencia/ia-regulacao-validacao/modelos-de-inteligencia-artificial-e-aprendizado-de-maquina-para-segmentacao-e/

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