Automated Prediction of Paravalvular Regurgitation before Transcatheter Aortic Valve Implantation

1. Problema e Motivação

A estenose aórtica severa é uma condição comum e potencialmente fatal em pacientes idosos, frequentemente tratada através do Implante de Valva Aórtica Transcateter (TAVI). Apesar dos avanços, a regurgitação paravalvular (PVR) permanece uma das complicações mais frequentes e clinicamente relevantes pós-TAVI, impactando negativamente o prognóstico de longo prazo e a mortalidade.

O desafio atual reside na dificuldade de prever a ocorrência de PVR antes do procedimento. A identificação de pacientes de alto risco é crucial para a seleção da válvula e o planejamento cirúrgico, mas os fluxos de trabalho atuais dependem de medições manuais em TC (Tomografia Computadorizada), que podem ignorar padrões sutis 3D e texturais complexos. O objetivo deste trabalho é investigar se redes neurais convolucionais 3D (3D CNNs) podem extrair automaticamente características espaciais e texturais de imagens de TC pré-operatórias para prever o risco de PVR.

2. Metodologia

2.1. Conjunto de Dados (Dataset)

• Fonte: 249 pacientes submetidos a TAVI no A.O.U. Città della Salute e della Scienza di Torino.
• Imagens: TC cardíaca pré-operatória (angio-TC). Foram selecionadas as fases mais representativas.
• Resolução: 512 × 512 pixels, espaçamento in-plane de ~0.49 mm e espessura de corte de 0.625 mm.
• Classes: 174 pacientes sem PVR vs. 75 pacientes com PVR (leve a moderado/severo), resultando em um desequilíbrio de classes.
• Divisão: 199 pacientes para treinamento e 50 para teste, utilizando amostragem estratificada.

2.2. Pré-processamento

• Redimensionamento: Cortes ajustados para 256 × 256 pixels.
• Isotropia: Remostragem para espaçamento de voxel isotrópico de 0.625 mm³ usando interpolação 3D.
• Corte/Padrão: Volumes preenchidos ou cortados para uma grade fixa de 256 × 256 × 256 voxels.
• Normalização: Intensidades dos voxels limitadas à faixa de [-1000, 2000] Unidades Hounsfield (HU) para preservar tecidos fisiológicos relevantes e reduzir ruído.
• Aumento de Dados: Rotações 3D aleatórias (10°-20°) aplicadas apenas ao conjunto de treinamento.
• Segmentação (Variável): Em alguns experimentos, os volumes foram recortados automaticamente focando apenas no coração e na aorta (usando o TotalSegmentator) para avaliar o impacto do contexto anatômico.

2.3. Arquiteturas e Estratégias de Treinamento

Foram avaliadas quatro configurações principais:

1. Baselines (Treinamento do Zero): 3D DenseNet121 e 3D ResNet50 (implementados no framework MONAI).
2. Aprendizado por Transferência (Pretraining):
   • Conjunto Interno: Um DenseNet121 pré-treinado em um conjunto de dados institucional para pontuação de cálcio coronariano (491 pacientes).
   • Conjunto Externo (COCA): Um DenseNet121 pré-treinado no conjunto de dados aberto COCA (213 TCs de tórax) para regressão de pontuação de cálcio de Agatston.
3. Função de Perda: Comparação entre Binary Cross-Entropy (BCE) e Focal Loss (com $\gamma=2$ e $\alpha=0.75$) para lidar com o desequilíbrio de classes.
4. Otimização: AdamW, taxa de aprendizado de $1 \times 10^{-4}$, batch size de 8, até 500 épocas, usando precisão mista automática (AMP).

2.4. Métricas e Interpretabilidade

• Métrica Principal: Precisão Balanceada (Balanced Accuracy - BA), para ponderar igualmente sensibilidade e especificidade.
• Interpretabilidade: Uso de 3D Grad-CAM para visualizar quais regiões anatômicas da TC contribuíram mais para a previsão do modelo.

3. Resultados Principais

• Arquitetura Base: O 3D DenseNet121 superou o ResNet50 quando treinado do zero, alcançando uma BA de 67,4% (vs. 66,3% do ResNet), demonstrando melhor dinâmica de treinamento e generalização.
• Impacto do Pretraining (Transfer Learning):
  • O pré-treinamento no conjunto de dados interno (pontuação de cálcio) resultou no melhor desempenho, atingindo uma BA de 71,7% ± 3,3%. Isso confirma que a inicialização com dados anatomicamente consistentes e de alta qualidade do domínio é crucial.
  • O pré-treinamento no conjunto COCA (dados mais heterogêneos e de menor resolução) resultou em desempenho inferior (64,1%), indicando baixa transferibilidade devido à qualidade e heterogeneidade dos dados fonte.
• Impacto da Segmentação (Recorte Anatômico):
  • Limitar a entrada apenas às regiões segmentadas de coração e aorta reduziu ligeiramente a precisão média (para 69,9% no modelo com pré-treinamento interno), mas diminuiu significativamente a variabilidade entre as execuções. Isso sugere um modelo mais estável, mas com menor capacidade de aproveitar contextos anatômicos periféricos sutis.
• Desempenho Geral: O modelo alcançou uma separação quase perfeita no conjunto de treinamento, mas apresentou erros residuais no teste, especialmente em casos de regurgitação leve, refletindo a complexidade intrínseca da tarefa.

4. Contribuições Chave

1. Abordagem Pioneira: Um dos primeiros estudos a utilizar volumes completos de TC pré-operatória com Deep Learning 3D para prever especificamente complicações de PVR pós-TAVI, em vez de focar apenas em quantificação anatômica ou resultados pós-procedimento.
2. Validação de Transfer Learning: Demonstração de que o pré-treinamento em tarefas relacionadas ao mesmo domínio (pontuação de cálcio em TC torácica) é superior ao uso de conjuntos de dados públicos genéricos para esta aplicação específica.
3. Análise de Contexto: Investigação do trade-off entre precisão e robustez ao comparar modelos que utilizam todo o volume torácico versus modelos focados apenas na região cardíaca segmentada.
4. Reprodutibilidade: Disponibilização do código-fonte e descrição detalhada do pipeline de pré-processamento e treinamento.

5. Significado e Conclusão

O estudo demonstra a viabilidade de utilizar Deep Learning baseado em TC pré-operatória para prever o risco de regurgitação paravalvular, uma ferramenta que pode auxiliar na seleção personalizada de válvulas e no planejamento procedural.

Os resultados destacam que:

• A preservação do contexto anatômico completo (não apenas a região segmentada) tende a oferecer maior poder discriminativo, embora com maior variância.
• O pré-treinamento específico do domínio é um fator determinante para o sucesso do modelo, superando abordagens genéricas.
• A abordagem oferece novas perspectivas para a avaliação de risco personalizada, potencialmente melhorando os desfechos clínicos ao identificar pacientes de alto risco antes da intervenção.

Futuros trabalhos visam expandir o conjunto de dados, integrar características clínicas multimodais e explorar estratégias de atenção ou segmentação híbrida para melhorar ainda mais a robustez e a interpretabilidade do modelo.