A hybrid radiomics–3D CNN model using non-contrast CT for esophagogastric variceal bleeding risk prediction in cirrhosis

Resumo Técnico: Modelo Híbrido de Radiômica–CNN 3D para Predição de Risco de EGVB

Definição do Problema
A hemorragia varicosa esofagogástrica (EGVB) é uma complicação potencialmente fatal da cirrose hepática com alta mortalidade. As diretrizes atuais dependem da endoscopia digestiva alta invasiva para triagem, o que é dispendioso, mal tolerado e inadequado para monitoramento longitudinal frequente. A tomografia computadorizada com contraste (CECT) pode visualizar as varizes, mas acarreta riscos de nefropatia induzida por contraste e sangramento em pacientes coagulopatas, tornando-a suboptimal para vigilância de rotina. A tomografia computadorizada sem contraste (NCCT) é segura e amplamente disponível, mas carece de contraste de tecidos moles para visualizar diretamente as varizes, limitando sua utilidade para avaliação de risco direta. Além disso, escores prognósticos existentes (ex: CTP, MELD) apresentam desempenho subótimo na predição específica de EGVB. O desafio reside em extrair indicadores quantitativos significativos de hipertensão portal e risco de sangramento a partir dos sinais sutis e indiretos presentes nas imagens de NCCT sem depender de agentes de contraste.

Metodologia
O estudo recrutou retrospectivamente 137 pacientes cirróticos (47 com EGVB prévia, 90 sem) que realizaram NCCT abdominal. Os autores desenvolveram um modelo de fusão integrando características radiômicas manuais (handcrafted) com características de aprendizado profundo derivadas de Redes Neurais Convolucionais 3D (3.D CNN).

• Pré-processamento de Dados: Os volumes de NCCT foram reamostrados para espaçamento isotrópico (1×1×1 mm³) e recortados para 64×128×128 voxels centrados na região fígado–baço. As unidades Hounsfield foram limitadas a [-100, 400] e normalizadas.
• Segmentação de Região de Interesse (ROI): Dois radiologistas delinearam manualmente sete ROIs: esôfago, fundo gástrico, fígado, baço, veia porta, veia esplênica e veia mesentérica superior.
• Extração de Características:
  • Radiômica: 1.919 características (ordem primeira, forma, textura, wavelet) foram extraídas usando PyRadiomics.
  • Aprendizado Profundo: Uma arquitetura 3D ResNet-18 leve processou os volumes de NCCT brutos para aprender 128 características profundas.
• Seleção de Características e Arquitetura do Modelo:
  • Ramo de Radiômica: Uma regressão LASSO foi aplicada dentro de cada dobra (fold) de treinamento de uma validação cruzada de 5 dobras para selecionar características não redundantes (mediana de 28 características retidas).
  • Estratégia de Fusão: As características radiômicas selecionadas pelo LASSO foram concatenadas com as 128 características profundas da 3D CNN. Este vetor combinado foi alimentado em um Perceptron Multicamadas (MLP) com uma camada oculta para classificação.
  • Modelos Comparativos: O modelo de fusão foi comparado com um modelo apenas de radiômica (LASSO + Regressão Logística) e um modelo apenas de 3D CNN (3D ResNet-18 + Classificador Linear).
• Avaliação: O desempenho foi avaliado via validação cruzada estratificada de 5 dobras usando AUC, sensibilidade, especificidade, calibração (Brier score, curvas de calibração) e Análise de Curva de Decisão (DCA).

Resultos Principais

• Discriminação: O modelo de fusão alcançou um AUC médio de 0,884 ± 0,037. No limiar do índice de Youden ideal, demonstrou uma sensibilidade de 0,668 e uma alta especificidade de 0,944.
• Comparação:
  • O modelo de fusão superou significativamente o modelo apenas de 3D CNN (AUC 0,792, p < 0,001).
  • Apresentou um AUC numericamente superior ao modelo apenas de radiômica (0,866), embora essa diferença não tenha sido estatisticamente significativa (p = 0,14).
• Calibração: Após regressão isotônica, o modelo de fusão alcançou um Brier score de 0,069, indicando excelente concordância entre as probabilidades previstas e os desfechos observados. Em contraste, o modelo apenas de 3D CNN exibiu excesso de confiança sistemático.
• Utilidade Clínica: A Análise de Curva de Decisão revelou que o modelo de fusão proporcionou um benefício líquido consistente sobre as estratégias "tratar todos" e "não tratar ninguém" em uma faixa de limiar de probabilidade de 0,10–0,50.

Principais Contribuições

1. Primeira Abordagem de Fusão em NCCT: Este é o primeiro estudo a combinar sistematicamente características de radiômica e 3D CNN especificamente em tomografia sem contraste para a predição de risco de EGVB, abordando a lacuna no aproveitamento da NCCT para esta complicação de alto risco específica.
2. Integração de Características Complementares: O estudo demonstra que as características profundas (capturando padrões espaciais complexos) e as características radiômicas manuais (capturando descritores interpretáveis e biologicamente fundamentados) fornecem informações não redundantes e complementares que aumentam o desempenho preditivo e a calibração.
3. Estrutura de Validação Robusta: O uso de validação cruzada aninhada com seleção de características independente em cada dobra evita o vazamento de dados (data leakage), garantindo estimativas de desempenho imparciais, apesar do tamanho de amostra modesto.
4. Avaliação Abrangente: Além da discriminação (AUC), o estudo avalia rigorosamente a calibração e o benefício líquido clínico, fornecendo uma visão mais holística do potencial utilitário do modelo.

Significância e Alegações
Os autores afirmam que o modelo de fusão proposto oferece uma ferramenta segura, não invasiva e repetível para estratificar o risco de EGVB em pacientes cirróticos. Ao utilizar NCCT, o modelo evita os riscos associados a agentes de contraste e endoscopia invasiva. A alta especificidade (0,944) sugere que o modelo poderia identificar eficazmente pacientes de baixo risco que poderiam evitar procedimentos invasivos desnecessários, enquanto o alto AUC indica forte potencial para orientar decisões profiláticas.

O artigo posiciona modestamente este trabalho como um estudo piloto. Os autores reconhecem limitações, incluindo o desenho retrospectivo de centro único, o tamanho de amostra relativamente pequeno (n=137) e a dependência de segmentação de ROI manual. Os autores declaram explicitamente que estudos prospectivos multicêntricos maiores são necessários para confirmar a generalização e a utilidade clínica do modelo antes de sua implementação ampla. Eles não alegam que o modelo substitui a endoscopia, mas sim que serve como uma ferramenta de triagem para otimizar o manejo do paciente e reduzir intervenções desnecessárias.