A Unified DINOv2-Based Framework for LVEF Estimation, GLS Dysfunction Classification, and Early Cardiotoxicity Prediction

O coração é uma bomba incansável, mas, como qualquer máquina, pode desgastar-se, especialmente ao combater o cancro. Os medicamentos de quimioterapia são armas poderosas contra os tumores, mas, por vezes, danificam o músculo cardíaco, um efeito secundário conhecido como cardiotoxicidade. Detetar este dano precocemente é uma corrida contra o tempo. Atualmente, os médicos dependem de duas formas principais para verificar a saúde do coração. A primeira é uma medida de quanto sangue o coração bombeia a cada batimento, uma métrica padrão que mostra o panorama geral. A segunda é uma ferramenta mais sensível que monitoriza o subtil estiramento e contração do próprio músculo cardíaco, revelando frequentemente problemas antes de o panorama geral mostrar qualquer sinal de esforço. O desafio reside no facto de estes sinais estarem escondidos dentro de imagens complexas e em movimento do coração, e detetar os sinais de alerta mais precoces exige frequentemente um especialista humano para traçar manualmente os limites do coração e contar os seus batimentos, um processo que é lento e propenso ao erro humano.

Uma equipa de investigadores da GE HealthCare desenvolveu um novo sistema informático concebido para ler estes vídeos do coração com maior velocidade e precisão, visando detetar problemas antes que se tornem irreversíveis. Em vez de ensinar um computador do zero a compreender imagens do coração, eles construíram o seu sistema sobre um modelo de "fundação" massivo e pré-treinado. Pense neste modelo de fundação como um estudante que já estudou milhões de imagens gerais e aprendeu a reconhecer formas, texturas e padrões. Os investigadores deram depois a este estudante um curso especializado em vídeos do coração, ensinando-o a focar-se nos detalhes específicos necessários para medir a função cardíaca e prever danos relacionados com fármacos. Esta abordagem permitiu que o sistema aprendesse de forma rápida e precisa, mesmo com um número relativamente pequeno de vídeos de pacientes disponíveis para treino.

Os investigadores testaram o seu sistema em três tarefas distintas, utilizando uma grande coleção de vídeos de ultrassom do coração de pacientes de toda a Europa. A primeira tarefa consistiu em calcular a percentagem de sangue que o coração bombeia, um número crítico para o diagnóstico de insuficiência cardíaca. A segunda foi classificar se o músculo cardíaco apresentava sinais de disfunção com base nos seus padrões de estiramento. A terceira, e talvez a mais difícil, foi prever quais os pacientes que desenvolveriam danos cardíacos devido à quimioterapia antes mesmo de iniciarem o tratamento, utilizando apenas os seus exames cardíacos iniciais. Para lidar com estes diferentes objetivos, o sistema utilizou uma estratégia inteligente onde manteve o seu conhecimento central congelado, mas adicionou pequenos "adaptadores" flexíveis para cada tarefa específica. Isto significou que o sistema pôde aprender as pistas visuais únicas para o volume de bombeamento sem confundir as pistas com as do estiramento muscular, garantindo que cada tarefa fosse realizada com alta precisência.

Uma inovação fundamental neste trabalho foi a forma como o sistema lidou com o tempo do batimento cardíaco. Numa abordagem tradicional, um computador poderia precisar de ser instruído sobre quando o coração está totalmente relaxado e quando está totalmente contraído para fazer uma medição. Este novo sistema, no entanto, aprendeu a compreender o ritmo do coração por conta própria. Foi capaz de inferir a informação de tempo necessária diretamente do conteúdo visual do vídeo, sem necessitar de quaisquer rótulos externos ou marcações manuais para indicar onde estavam o início e o fim de um batimento. Isto tornou o sistema muito mais robusto e prático para o uso no mundo real, onde tais rótulos manuais precisos estão frequentemente ausentes. Para a tarefa específica de medir o volume de bombeamento, a equipa também criou um modelo separado e especializado que combinava o movimento total do vídeo com um olhar focado nos momentos mais críticos de relaxamento e contração do coração, mimetizando a forma como um médico humano poderia comparar mentalmente o estado do coração em diferentes momentos.

Os resultados do estudo mostraram que esta nova abordagem funcionou de forma notável. Para medir o volume de bombeamento do coração, o sistema alcançou um erro médio de pouco mais de cinco por cento, e o modelo especializado melhorou este valor para menos de cinco por cento, um nível de precisão que rivaliza com o de especialistas humanos. No que diz respeito à deteção de disfunção muscular subtil, o sistema identificou corretamente o problema em quase 77 por cento dos casos. Mais notavelmente, para prever danos cardíacos precoces da quimioterapia, a capacidade do sistema de identificar pacientes em risco melhorou significamente, classificando corretamente os pacientes por risco em mais de 70 por cento dos casos, um salto substancial em relação aos métodos anteriores. Estas descobertas sugerem que, ao tirar partido de um poderoso conhecimento visual pré-treinado e o adaptar cuidadosamente às necessidades médicas, os computadores podem tornar-se aliados poderosos na proteção dos pacientes oncológicos contra danos cardíacos, oferecendo uma forma de intervir precocemente e potencialmente salvar vidas.