Cascade Deep Learning (nnU-Net + ResNet-18) for Meniscus Segmentation and Three-Grade Injury Classification on Knee MRI: A Single-Centre Study with Reader Assistance Evaluation

O joelho humano é uma maravilha da engenharia, dependendo de dois discos de cartilagem em forma de C chamados meniscos para amortecer a articulação e mantê-la estável. Quando esses discos se rompem ou se desgastam, o resultado é dor, inchaço e perda de mobilidade, o que frequentemente requer cirurgia. Para diagnosticar essas lesões, os médicos dependem da ressonância magnética, ou RM, que cria imagens detalhadas de cortes transversais do interior do joelho. No entanto, ler essas imagens é uma tarefa lenta e exigente. Um radiologista deve percorrer centenas de fatias finas, procurando por mudanças sutis na textura da cartilagem que sinalizem uma ruptura. Esse processo não é apenas demorado, mas também propenso ao erro humano; dois médicos diferentes podem olhar para o mesmo exame e discordar se um paciente tem um problema de desgaste leve ou uma ruptura grave que necessita de reparo imediato. Essa inconsistência pode atrasar o tratamento ou levar a procedimentos desnecessários.

Em um esforço para tornar esse processo mais rápido e confiável, pesquisadores começaram a ensinar computadores a ler esses exames. Este campo, conhecido como aprendizado profundo (deep learning), envolve treinar programas de computador para reconhecer padrões em imagens, de forma muito semelhante à maneira como o céreulo humano aprende a reconhecer rostos. O objetivo não é substituir o médico, mas criar uma ferramenta que atue como um segundo par de olhos, destacando áreas de preocupação e oferecendo uma segunda opinião. Um novo estudo de um hospital na China explora o quão bem tal sistema funciona especificamente para lesões de menisco. Os pesquisadores construíram um sistema de computador de duas etapas que primeiro localiza o menisco no exame de RM e, em seguida, analisa-o para determinar se está saudável, degenerado ou rompido. Eles testaram esse sistema em centenas de pacientes e depois observaram como isso afetou o desempenho de médicos juniores, com o objetivo de ver se o computador poderia ajudar clínicos menos experientes a fazer diagnósticos melhores e mais rápidos.

Os pesquisadores desenvolveram uma estrutura de computador que trabalha em uma sequência específica, muito parecida com uma equipe onde uma pessoa localiza um objeto e outra pessoa o inspeciona. Primeiro, o sistema usa um algoritmo sofisticado para escanear as imagens de RM e desenhar um contorno preciso ao redor do menisco, separando-o do osso e do fluido circundantes. Esta etapa é crucial porque diz ao computador exatamente onde olhar, ignorando o resto do joelho. Uma vez isolado o menisco, uma segunda parte do sistema examina a imagem isolada para classificar a lesão. Ele classifica a condição em uma de três categorias: saudável, degenerativa (mostrando sinais de desgaste) ou uma ruptura de grau III (uma ruptura total que frequentemente requer cirurgia). O sistema foi treinado com dados de 608 exames de joelho coletados ao longo de quatro anos, todos realizados no mesmo tipo de máquina de RM de 1,5 Tesla. As imagens incluíam vistas frontais e laterais, permitindo que o computador visse o menisco de múltiplos ângulos.

Quando os pesquisadores testaram o sistema por conta própria, os resultados foram mistos, mas promissores. O computador foi muito bom em encontrar o menisco quando este estava saudável, delineando-o com sucesso na maioria dos casos. No entanto, quando o menisco estava lesionado, o computador tinha dificuldade em desenhar o contorno com precisão, provavelmente porque as rupturas alteram a forma e a textura do tecido, tornando mais difícil a distinção em relação ao fundo. Apesar dessa dificuldade em delinear, a capacidade do sistema de diagnosticar a lesão foi decente. Ao combinar as vistas de ambos os ângulos, frontal e lateral, o computador identificou corretamente se um menisco estava rompido ou não cerca de 74 por cento das vezes. Foi melhor em detectar rupturas ao observar a vista frontal do joelho em comparação com a vista lateral. Embora o sistema não conseguisse distinguir perfeitamente entre um desgaste leve e uma ruptura total por conta própria, demonstrou uma clara capacidade de sinalizar lesões graves.

A parte mais significativa do estudo, no entanto, não foi apenas como o computador performou sozinho, mas como ele ajudou médicos humanos. Os pesquisadores recrutaram dois residentes de ortopedia juniores, cada um com menos de três anos de experiência na leitura de imagens musculoesqueléticas, para diagnosticar um conjunto de 100 casos de joelho. Primeiro, os médicos analisaram os exames sem qualquer ajuda. Posteriormente, após um intervalo de duas semanas para garantir que não se lembrassem dos casos, eles analisaram os mesmos exames novamente, desta vez com a assistência do computador. O computador fornecia a eles uma pontuação de probabilidade indicando a chance de uma ruptura, juntamente com um mapa visual que destacava as áreas específicas do menisco que o computador considerava suspeitas.

Os resultados dessa parceria entre humano e máquina foram impressionantes. Quando os médicos juniores trabalharam sozinhos, alcançaram um AUC de 0,64. Quando utilizaram a orientação do computador, seu desempenho melhorou para um AUC de 0,78. Mais importante ainda, o computador ajudou-os a detectar mais rupturas graves. Sem ajuda, os médicos juniores deixavam passar 40% das rupturas de grau III; com a assistência do computador, eles detectaram 80% delas. A ferramenta também tornou os médicos mais rápidos. O tempo médio para diagnosticar um único caso caiu de quase 45 segundos para pouco menos de 28 segundos, uma redução de 38%. Essa aceleração sugere que o computador ajudou os médicos a focar sua atenção, reduzindo o tempo gasto procurando pela lesão. Além disso, o acordo entre os dois médicos melhorou quando ambos utilizaram o computador, sugerindo que a ferramenta forneceu um padrão consistente que ajudou a reduzir suas diferenças individuais de julgamento.

O estudo conclui que, embora este sistema de computador ainda não seja perfeito o suficiente para substituir um especialista, ele serve como um assistente poderoso. Ele atua como uma rede de segurança, particularmente para clínicos menos experientes, ajudando-os a detectar lesões graves que poderiam passar despercebidas e fazendo isso de forma mais rápida. Os pesquisadores observaram que o desempenho do sistema foi limitado pela dificuldade de definir os limites exatos do tecido rompido e pelas sutis semelhanças visuais entre a degeneração e as rupturas precoces. Eles também apontaram que o estudo foi conduzido em um único hospital, o que significa que o sistema precisa ser testado em pacientes de diferentes locais e com diferentes tipos de máquinas de RM antes de poder ser amplamente adotado. No entanto, os achados demonstram que uma ferramenta de computador bem projetada pode apoiar efetivamente a tomada de decisão humana, transformando um processo lento e variável em um processo mais rápido e confiável.