Artificial Intelligence-Enabled Detection of Vascular Perfusion Defects on Ventilation/Perfusion (V/Q) Scintigraphy for Pulmonary Embolism

Resumo Técnico: Detecção de Defeitos de Perfusão Vascular Mediada por Inteligência Artificial em Cintilografia V/Q

Definição do Problema
O diagnóstico de embolia pulmonar (EP) via cintilografia de ventilação/perfusão (V/Q) planar depende da identificação de defeitos de V/Q incompatíveis (mismatch). No entanto, a interpretação manual é cognitivamente exigente, demorada e sujeita a uma variabilidade significativa entre observadores. As diretrizes atuais (PIOPED/EANM) exigem que os clínicos estimem visualmente a extensão do defeito em relação aos segmentos broncopulmonares, um processo raramente padronizado na prática devido à falta de ferramentas automatizadas objetivas. Embora a IA tenha avançado em outros domínios da medicina nuclear, a imagem planar V/Q apresentou um hiato de 17 anos em aplicações modernas de aprendizado profundo para segmentação de defeitos, com estudos anteriores dependendo de redes rasas ou radiômica em vez de segmentação ao nível do pixel.

Metodologia
O estudo utilizou um conjunto de dados retrospectivo de 2.118 pacientes do Hospital de Ottawa, compreendendo 9.852 projeções planares V/Q de seis vistas padrão (ANT, POST, LAO, RAO, LPO, RPO). Os dados foram divididos em treinamento (1.313 pacientes), validação (329 pacientes), um conjunto de teste de retenção de alta probabilidade (46 pacientes) e um conjunto de retenção normal (430 pacientes).

• Anotação: Oito médicos de medicina nuclear (residentes e um médico sênior) anotaram incompatibilidades de perfusão vascular. O padrão de referência (ground truth) para o conjunto de retenção foi estabelecido via um ensemble de sete anotadores, onde um pixel era considerado um defeito se segmentado por ≥4 anotadores (>50% de consenso).
• Arquitetura do Modelo: Quatro modelos de aprendizado profundo 2D foram treinados para segmentar defeitos de perfução:
  1. U-Net: Uma rede convolucional totalmente convolucional de base.
  2. nnU-Net: Uma variante da U-Net autoconfigurável.
  3. Swin UNETR: Uma arquitetura do tipo U-Net utilizando um codificador Swin Transformer hierárquico.
  4. BTU-Net (Bottleneck Transformer U-Net): Uma nova arquitetura híbrida proposta pelos autores. Ela integra um caminho de contração/expansão U-Net padrão com um bloco transformer no gargalo (bottleneck). Este gargalo aplica atenção de auto-múltipla cabeça (4 cabeças) para capturar dependências de longo alcance antes de passar as características para o caminho expansivo, visando equilibrar o detalhe local com o contexto global.
• Treinamento: Os modelos foram treinados usando imagens de ventilação e perfusão pareadas, normalizadas para [0,1]. As funções de perda combinaram o Coeficiente de Similaridade de Dice (DSC) e a entropia cruzada binária. O treinamento utilizou o otimizador Adam com parada antecipada (early stopping).
• Métricas de Avaliação:
  • Qualidade de Segmentação: Para verdadeiros positivos, o desempenho foi medido via DSC, Índice de Jaccard, Distância de Superfície Média (MSD) e Distância de Hausdorff (HD/HD95).
  • Precisão de Detecção: A análise de Curva Característica de Resposta Livre de Frações (FROC) foi utilizada para avaliar a sensibilidade em relação à Taxa de Falsos Positivos por Projeção (FPPR).
  • Especificidade: A FPPR foi calculada no conjunto de retenção normal (430 pacientes) para quantificar a detecção de defeitos espúrios.

Principais Resultados

• Desempenho de Segmentação: O modelo BTU-Net superou consistentemente as outras três arquiteturas (U-Net, nnU-Net, Swin UNETR) em todas as métricas de segmentação. Alcançou uma mediana de DSC de 0,72 e uma mediana de índice de Jaccard de 0,57, com menores distâncias de erro de borda (MSD e HD95) em comparação com as bases.
• Detecção Clínica (FROC): No conjunto de retenção de alta probabilidade, a BTU-Net foi o único modelo com desempenho equivalente aos leitores humanos. Em uma FPPR de 1,5, a BTU-Net alcançou uma sensibilidade de 0,529 ± 0,026, comparada a 0,446 para Swin UNETR e 0,355 para U-Net. Notavelmente, os leitores humanos também exibiram variabilidade significativa, com sensibilidades variando de 0,40 a 0,60 dependendo do observador, indicando que o desempenho do modelo de IA se alinha ao limite superior da capacidade humana.
• Falsos Positivos: No conjunto de retenção normal (430 pacientes), a BTU-Net demonstrou a menor taxa de falsos positivos (0,08 ± 0,01 FPPR), superando significativamente a Swin UNETR (0,12), nnU-Net (0,22) e U-Net (0,15) (P<0,0001).
• Avaliação Qualitativa: A inspeção visual revelou que a U-Net base frequentemente fundia defeitos distintos e incluía tecido normal, enquanto a Swin UNETR produzia formas imprecisas. A BTU-Net gerou defeitos em formato de cunha mais anatomicamente plausíveis, consistentes com segmentos pulmonares.

Significância e Alegações
O artigo afirma ser o primeiro estudo a segmentar diretamente defeitos de perfusão vascular em imagens V/Q planares usando aprendizado profundo moderno e a avaliar a variabilidade interobservador ao nível do defeito. Os autores afirmam que a arquitetura BTU-Net revitaliza com sucesso a IA na imagem V/Q ao atingir uma precisão diagnóstica comparável à de médicos especialistas em medicina nuclear.

A significância deste trabalho reside em:

1. Padronização: Fornecer uma ferramenta para delinear objetivamente os defeitos, potencialmente reduzindo a variabilidade interobservador e padronizando os relatórios.
2. Utilidade Clínica: Oferecer uma ferramenta de suporte à decisão que pode auxiliar leitores não especialistas, potencialmente aumentando a confiança diagnóstica e reduzindo encaminhamentos desnecessários para angiotomografia de artéria pulmonar (ATAP) em casos de probabilidade intermediária.
3. Base para Trabalhos Futuros: Estabelecer um benchmark para segmentação de incompatibilidade V/Q que pode ser estendido para outras patologias, como hipertensão pulmonar tromboembólica crônica (HPTEC), ou usado para treinar clínicos novatos.

Os autores mantêm um tom modesto, reconhecendo que defeitos subsegmentares permanecem desafiadores e que o modelo deve servir como um "auxílio diagnóstico com um humano no controle". Eles também observam limitações quanto à generalização para outros protocolos de imagem e a ausção de um verdadeiro padrão-ouro (angiografia pulmonar) para o treinamento, baseando-se, em vez disso, no "segundo melhor" padrão de anotação por consenso humano.