Deep learning-assisted target volume segmentation for uterine malignancies on non-contrast CT

No complex mundo do tratamento do câncer, a radioterapia atua como um feixe preciso de energia projetado para destruir tumores, preservando os órgãos saudáveis próximos. Para tornar isso possível, os médicos devem primeiro desenhar um mapa detalhado em uma imagem de exame do paciente, delineando exatamente onde o câncer está e até onde a radiação deve alcançar. Este mapa, conhecido como volume alvo, é a base de todo o plano de tratamento. Se o mapa for muito pequeno, o câncer pode sobreviver; se for muito grande, tecidos saudáveis podem ser danificados. Por décadas, a criação desses mapas tem sido uma tarefa lenta e manual, onde um especialista traça cuidadosamente os limites em uma tela de computador, um processo que varia de pessoa para pessoa e pode levar mais de uma hora para um único paciente. O desafio é particularmente difícil para cânceres de útero, colo do útero e endométrio, porque os tecidos moles na pelve frequentemente parecem muito semelhantes em exames padrão, tornando as bordas do tumor difíceis de visualizar com clareza.

Pesquisadores do Hospital de Câncer de Ganzhou, na China, buscaram verificar se a inteligência artificial poderia ajudar a acelerar esse processo sem perder a precisão. Eles se concentraram em um tipo específico de exame chamado tomografia computadorizada sem contraste, ou NCCT, que é a ferramenta de imagem padrão usada para o planejamento da radiação, mas carece do detalhamento de alto contraste de outros métodos de imagem, como a ressonância magnética. A equipe treinou um sistema de computador para observar esses exames e desenhar automaticamente os contornos das áreas alvo. Eles não apenas pediram ao computador para adivinhar; eles construíram um sistema que aprendeu com centas de casos anteriores onde médicos especialistas já haviam desenhado os mapas à mão. O objetivo era criar uma ferramenta que pudesse fornecer um primeiro rascunho do mapa, o qual um médico pudesse então verificar e ajustar rapidamente, em vez de começar de uma tela em branco todas as vez.

O estudo envolveu 157 pacientes com câncer de útero, divididos em diferentes grupos para testar o sistema de forma justa. O computador foi treinado em um grande grupo de pacientes e, em seguida, testado em um grupo separado que ele nunca havia visto antes, para garantir que pudesse lidar com novos casos. Os resultados mostraram que a inteligência artificial foi notavelmente boa em desenhar o limite externo da área de tratamento, conhecido como volume alvo de planejamento. Em média, o desenho do computador sobrepôs-se aos desenhos dos médicos especialistas em mais de 90 por cento. Esta borda externa é uma margem de segurança adicionada ao redor do tumor real para garantir que a radiação atinja o alvo mesmo se o paciente se mover levemente. No entanto, o sistema foi menos perfeito quando se tratou do limite interno, que marca o volume alvo clínico real onde a doença é conhecida por existir. Para esta área interna, a sobreposição foi de cerca um 72 por cento. Essa diferença é significativa porque o limite interno é muito mais difícil de definir em um exame padrão, pois o tumor se mistura ao tecido circundante.

Para entender se esses mapas gerados pelo computador eram realmente úteis em uma clínica real, três médicos radioterapeutas experientes revisaram os resultados de forma independente. Eles avaliaram a qualidade do trabalho do computador em uma escala simples. Para a margem de segurança externa, os médicos consideraram o trabalho do computador clinicamente aceitável em mais de 91 por cento dos casos, o que significa que estava pronto para uso com apenas pequenos ajustes. Para o limite interno do tumor, a taxa de aceitação foi menor, cerca de 75 por cento, com os casos restantes exigindo mudanças mais substanciais. Os médicos observaram que o computador às vezes tinha dificuldade no topo e na base da área alvo ou onde o útero encontra o reto, áreas onde o contraste tecidual é naturalmente pobre. Apesar dessas imperfeições, o sistema não produziu nenhum mapa que fosse completamente inutilizável. A ideia central foi que o computador poderia fornecer um ponto de partida sólido, mas um médico humano ainda precisava revisar e refinar os limites internos cuidadosamente.

O impacto mais dramático desta tecnologia foi visto no tempo necessário para concluir o trabalho. Em um teste separado envolvendo 20 pacientes, um único médico comparou quanto tempo levava para desenhar os mapas à mão versus usando o rascunho do computador. Ao desenhar do zero, o processo levava em média 65 minutos por paciente. Ao usar o computador para gerar o contorno inicial, o qual o médico então editava, o tempo caiu para apenas 14 minutos. Isso representou uma redução de quase 80 por cento no tempo necessário para esta etapa crítica. Os autores do estudo foram cuidadosos ao notar que este foi um teste de centro único e que o sistema ainda não havia sido comprovado para funcionar perfeitamente para todos os tipos de pacientes ou em todos os hospitais. Eles enfatizaram que, embora o computador tenha economizado um tempo tremendo, ele não era um substituto para a expertise do médico. O sistema é melhor visto como um assistente poderoso que realiza o trabalho pesado de desenhar, permitindo que a equipe médica foque sua energia nas decisões finais e cruciais que garantem que o tratamento seja tanto seguro quanto eficaz.