Resumo Técnico: Comp2Comp – Software de Código Aberto com Algoritmos de IA com Aprovação do FDA para Análise de Tomografia Computadorizada

1. O Problema (Contexto e Motivação)

A análise de imagens por Inteligência Artificial (IA) permite a extração de biomarcadores de forma "oportunista" — ou seja, extrair dados clínicos valiosos de tomografias (TC) que já foram realizadas por outros motivos, sem custo adicional ou nova exposição à radiação. No entanto, o campo enfrenta dois grandes obstáculos:

• Lacuna de Transparência: Soluções comerciais de IA são frequentemente "caixas-pretas". Clínicos não conseguem validar o desempenho do software em suas próprias populações de pacientes ou fluxos de trabalho antes da implementação.
• Falta de Validação Rigorosa: Muitas soluções de código aberto carecem de validação clínica rigorosa e aprovação regulatória (como a do FDA), o que limita sua confiança para uso clínico direto.

2. Metodologia

Os autores apresentam o Comp2Comp, uma plataforma que disponibiliza dois pipelines de aprendizado profundo (deep learning) que são, simultaneamente, de código aberto e possuem aprovação 510(k) do FDA.

A. Quantificação da Aorta Abdominal (AAQ)

• Objetivo: Segmentar a aorta abdominal para medir seu diâmetro máximo e detectar aneurismas (AAA).
• Arquitetura: Utiliza o modelo de segmentação 3D nnU-Net. O pipeline inclui filtragem de orientação axial, recorte automático da região L1-L5 (usando TotalSegmentator) e ajuste de elipses para medir o eixo menor (para evitar erros de angulação).
• Validação: Comparação das medidas da IA com a média de três radiologistas certificados em 258 exames de quatro instituições distintas.

B. Densidade Mineral Óssea (BMD)

• Objetivo: Estimar a densidade óssea trabecular para identificar risco de osteoporose/osteopenia.
• Arquitetura: Um modelo customizado nnU-Net segmenta as vértebras L1-L4. O pipeline realiza uma calibração de Hounsfield Units (HU) usando tecido adiposo visceral e ar para normalizar os valores de radiodensidade.
• Validação: Comparação de uma classificação binária (densidade normal vs. baixa) com o padrão-ouro de exames de DXA (absorciometria de raios-X de dupla energia) em 371 pacientes.

3. Principais Contribuições

• Transparência Radical: Ao contrário de softwares comerciais, o Comp2Comp libera o código e os pesos dos modelos (via GitHub e HuggingFace), permitindo que hospitais testem a precisão localmente.
• Modelo de Licença Permissiva: Utiliza a Apache License 2.0, permitindo uso, modificação e distribuição para fins comerciais e não comerciais.
• Pioneirismo Regulatório: É um dos primeiros casos de algoritmos de IA de código aberto que passaram pelos rigorosos processos de aprovação do FDA, estabelecendo um novo padrão de confiança para a comunidade científica.

4. Resultados

Resultados AAQ (Aorta):

• Erro Médio Absoluto (MAE): 1,57 mm (dentro do limite de aceitabilidade de 2,0 mm).
• Concordância: O coeficiente de correlação intraclasse (ICC) foi de 0,983, demonstrando uma concordância quase perfeita com os radiologistas.
• Observação: A precisão foi ligeiramente menor em pacientes com aneurismas (devido a irregularidades na parede) e em exames com contraste.

Resultados BMD (Ossos):

• Classificação Binária: Sensibilidade de 81,0% e especificidade de 78,4% (superando o limite de 70% estabelecido).
• Correlação Contínua: O coeficiente de Pearson entre o score de densidade da IA e o T-score do DXA foi de $r = 0,791$ (superando o critério de $> 0,70$).
• Observação: O modelo mostrou maior sensibilidade em homens do que em mulheres, embora sem significância estatística.

5. Significância e Conclusão

O Comp2Comp resolve o dilema entre a acessibilidade do código aberto e a segurança da medicina regulada.

• Para Clínicos: Permite a detecção oportuna de doenças silenciosas (aneurismas e osteoporose) sem custos extras.
• Para Pesquisadores: Fornece ferramentas de "estado da arte" para criar grandes registros clínicos e estudos epidemiológicos.
• Para a Indústria: Define um precedente de como a transparência nos dados de subgrupos e nos endpoints estatísticos pode acelerar a adoção de IA na saúde e construir confiança entre desenvolvedores e usuários finais.