Resumo Técnico: Aprendizado de Máquina Multimodal Integrando Dados Sistêmicos e de Imagem para Triagem Cirúrgica de ROP

Definição do Problema

A retinopatia da prematuridade (ROP) é uma das principais causas de cegueira infantil irreversível. O manejo clínico atual depende fortemente da experiência do clínico e da interpretação subjetiva de imagens de fundo de olho para determinar o momento da intervenção cirúrgica e avaliar o prognóstico. As abordagens atuais de inteligência artificial têm focado primariamente na análise unimodal de imagens de fundo de olho, frequentemente falhando em aproveitar os ricos dados clínicos sistêmicos disponíveis para bebês prematuros. Além disso, poucos estudos tentaram prever a necessidade específica de intervenção cirúrgica ou o risco de reoperação (cirurgia secundária) integrando fontes de dados heterogêneas, como indicadores cardiovasculares, fatores metabólicos perinatais e sequências temporais de imagens de retina. A falta de integração sistemática limita a objetividade e a precisão das ferramentas atuais de suporte à decisão.

Metodologia

Desenho do Estudo e Dados

Este estudo retrospectivo incluiu 213 bebês prematuros do Hospital Materno-Infantil de Xiamen. O conjunto de dados incluiu:

• Variáveis Clínicas Estruturadas: Seis indicadores foram selecionados com base na relevância clínica: cardiopatia congênita (CHD), persistência do canal arterial (PDA), hipertensão pulmonar persistente do recém-nascido (PPHN), o nível mais baixo de hemoglobina durante a hospitalização, diabetes mellitus gestacional (GDM) materna e síndrome da mãe diabética.
• Dados de Imagem: Uma série de imagens de fundo de olho para cada paciente. Para gerenciar a carga computacional enquanto preservava a informação ao nível do paciente, foi utilizado um máximo de 200 imagens por paciente (amostragem aleatória se excedesse este limite). As imagens foram redimensionadas para 224 × 224 pixels e normalizadas.

Tarefas de Predição

O estudo definiu duas tarefas de classificação binária ao nível do paciente:

1. Predição de Decisão Cirúrgica: Classificar pacientes como "Não Necessário" ou "Necessário" para tratamento cirúrgico/intervencionista.
2. Predição de Prognóstico Cirúrgico: Entre os pacientes rotulados como "Necessário", classificar como "Primário" (cirurgia única) ou "Secundário" (requer reoperação).

Arquiteturas Multimodais

Quatro modelos de fusão multimodal distintos foram projetados e comparados:

1. EarlyFusion_Attention: Utilizou fusão ao nível de características. Um codificador convolucional processou as imagens e um codificador totalmente conectado processou as variáveis clínicas. As características da imagem e clínicas foram concatenadas por imagem, e um mecanismo de atenção atribuiu pesos aprendíveis a essas características conjuntas antes da soma ponderada para formar a representação do paciente.
2. LateFusion_LSTM: Tratou as imagens como uma sequência. As imagens foram codificadas individualmente, processadas por um LSTM bidirecional para capturar a dinâmica temporal e, em seguida, concatenadas com uma representação clínica codificada de forma independente.
3. Transformer_Fusion: Codificou imagens e variáveis clínicas em tokens dentro de um espaço de incorporação (embedding) compartilhado. Um token clínico e tokens de imagem foram processados por um codificador Transformer de duas camadas com autoatenção para gerar uma representação global do paciente.
4. TwoTower: Empregou codificadores separados para imagens (média de pooling das características da imagem) e dados clínicos, concatenando as representações resultantes para a classificação final.

Treinamento e Avaliação

Os modelos foram treinados usando uma estratégia de aprendizado multitarefa com perda de entropia cruzada ponderada para lidar com o desequilíbrio de classes. O conjunto de dados foi dividido ao nível do paciente em conjuntos de treinamento, validação e teste, com alocação estratificada para garantir a presença de casos raros de cirurgia secundária entre os subconjuntos. O desempenho foi avaliado usando acurácia, F1-score ponderado, sensibilidade, especificidade e Área Sob a Curva (AUC).

Principais Resultados

Desempenho dos Modelos

Entre as quatro arquiteturas, o modelo EarlyFusion_Attention demonstrou o melhor desempenho geral no conjunto de teste independente (43 pacientes: 3 de "Não Necessário", 6 de "Necessário").

• Predição de Decisão Cirúrgica:
  • Acurácia: 62,79%
  • F1 Score Ponderado: 0,6829
  • ROC AUC: 0,80
  • Sensibilidade: 1,000 (Identificou corretamente todos os 6 pacientes que necessitavam de cirurgia; 0 falsos negativos).
  • Especificidade: 0,568 (16 pacientes "Não Necessários" foram classificados incorretamente como "Necessários").
• Predição de Prognóstico (Subgrupo Cirúrgico):
  • Avaliado nos 6 pacientes que necessitaram de cirurgia (5 Primários, 1 Secundário).
  • Acurácia: 83,33% (5/6 corretos).
  • F1 Score Ponderado: 0,8519.
  • ROC AUC: 1,00 (Nota: Baseado em um único caso Secundário).

Análise de Subgrupos

O desempenho do modelo variou conforme as características do paciente:

• Idade Gestacional: O modelo teve bom desempenho nos grupos de 28–32 semanas (AUC 0,964) e ≥32 semanas (AUC 0,933), mas mostrou discriminação limitada no grupo <28 semanas (AUC 0,542).
• Peso ao Nascer: O desempenho foi mais confiável em bebês com peso ao nascer ≥1500g (AUC 0,889) comparado a bebês <1000g (AUC 0,583).

Principais Contribuições

1. Integração Multimodal: O estudo integrou com sucesso indicadores clínicos cardiovasculares-metabólicos com imagens de fundo de olho temporais seriadas, indo além da análise de imagem unimodal para um framework multimodal ao nível do paciente.
2. Framework de Dupla Tarefa: Abordou duas questões clínicas críticas simultaneamente: a necessidade inicial de cirurgia e o risco de recorrência exigindo cirurgia secundária.
3. Comparação Arquitetural: O artigo fornece uma comparação estruturada de quatro estratégias de fusão diferentes (Early, Late, Transformer, Two-Tower) para triagem de ROP, identificando o EarlyFusion_Attention como a arquitetura superior para esta distribuição de dados.
4. Triagem de Alta Sensibilidade: O modelo proposto demonstrou sensibilidade perfeita no conjunto de teste para identificar pacientes que necessitavam de cirurgia, sugerindo utilidade como ferramenta de triagem para sinalizar bebês de alto risco.

Significância e Alegações

Os autores afirmam que este estudo fornece evidências preliminares da viabilidade do uso de aprendizado de máquina multimodal para apoiar a tomada de decisão de tratamento de ROP. A alta sensibilidade do modelo EarlyFusion_Attention sugere que ele pode servir como uma ferramenta auxiliar para ajudar clínicos a sinalizar bebês que requerem monitoramento mais próximo ou avaliação cirúrgica, potencialmente reduzindo casos perdidos.

No entanto, o artigo mantém uma postura modesta quanto à prontidão clínica:

• Limitações de Especificidade: A especificidade moderada (0,568) indica uma tendência para falsos positivos, o que significa que o modelo não deve substituir a avaliação do oftalmologista, mas sim apoiar a estratificação de risco.
• Escassez de Dados: Os resultados de predição de prognóstico (AUC 1,00), embora promissores, são explicitamente descritos como "exploratórios" devido ao tamanho extremamente pequeno da amostra do subgrupo cirúrgico (6 pacientes) e ao único caso de cirurgia secundária.
• Necessidade de Validação: Os autores enfatizam que a validação externa em coortes multicêntricas maiores é necessária antes que o modelo possa ser considerado para aplicação clínica independente.

Em resumo, o estudo demonstra que a integração de dados clínicos sistêmicos com características de imagem pode aumentar a objetividade da triagem de ROP, particularmente na identificação de pacientes que necessitam de intervenção, mas pesquisas adicionais são necessárias para refinar a especificidade e validar as capacidades prognósticas.