Resumo Técnico: RadicularSEUNet para Localização de SDAVF

Definição do Problema

A fístula arteriovenosa espinhal dural (SDAVF) é a malformação vascular espinhal mais comum, porém seu diagnóstico permanece desafiador. O padrão ouro atual, a angiografia por subtração digital (DSA) da coluna, é invasiva, demorada, expõe os pacientes à radiação e sofre com uma alta taxa de falsos negativos devido a dificuldades técnicas na cateterização de artérias segmentares tortuosas, particularmente em pacientes idosos. Embora a angiorressonância com contraste (CEMRA) ofereça uma alternativa não invasiva, ela carece de resolução espacial para visualizar diretamente a zona fistulosa (<0,5 mm). Consequentemente, a CEMRA frequentemente falha em demonstrar toda a arquitetura vascular, dificultando para os clínicos a localização da lesão com base na direção do fluxo arterial, como ocorreria com a DSA. Além disso, os métodos atuais de localização por CEMRA dependem de pós-processamento baseado em limiares (threshold), que tem dificuldade em distinguir pequenas veias radiculares de plexos venosos epidurais ou ruído, levando a uma visualização incompleta e diagnósticos perdidos.

Metodologia

Estratégia de Dados e Geração Sintética

Reconhecendo a escassez de casos reais de SDAVF e a dificuldade da anotação manual, os autores desenvolveram um pipeline de geração sintética de SDAVF para criar um conjunto de dados de treinamento em larga escala (n=2.000). Este pipeline utiliza restrições anatômicas derivadas da superfície da medula espinhal, da dura-máter e da anatomia foraminal intervertebral:

• Andaime Anatômico: Máscaras de osso, discos e canal espinhal são segmentadas a partir de RM sem contraste. A máscara do canal espinhal serve como um substituto para o saco dural.
• Síntese de Veias: Um tronco longitudinal dorsal é modelado com modos morfológicos estocásticos (serpentinos, em espiral) e ramos secundários (alças, grampos). Uma única veia radicular é sintetizada para conectar a dura lateral à rede venosa superficial, aderindo a regras anatômicas específicas (ex: conexão dentro de 3 níveis de disco, setores angulares específicos).
• Modelagem de Intensidade: As intensidades dos voxels são moduladas com base em estatísticas de referência de casos reais de SDAVF, incorporando variação axial e atenuação radial para mimetizar o contraste vascular realista e evitar seções transversais homogêneas.

Arquitetura do Modelo: RadicularSEUNet

O estudo introduz a RadicularSEUNet, um modelo de aprendizado profundo baseado em um framework 3D Squeeze-and-Excitation U-Net (SE-U-Net) projetado para a segmentação 3D da veia de drenagem subdural.

• Entrada: Uma entrada de dois canais composta pela imagem 3D original da CEMRA e uma máscara da dura correspondente (derivada do canal espinhal).
• Arquitetura: A rede apresenta quatro estágios de downsampling e quatro de upsampling. Os blocos do encoder utilizam convoluções residuais 3D com normalização de instância, ativação Leaky ReLU e módulos Squeeze-and-Excitation (SE) para recalibrar as características dos canais. O decoder utiliza convoluções transpostas e conexões de salto (skip connections).
• Função de Perda (Loss Function): O treinamento utiliza uma perda híbrida combinando focal Tversky loss (para lidar com o desequilíbrio de classes e enfatizar voxels vasculares difíceis) e soft clDice loss (para promover a continuidade topológica em estruturas tubulares).
• Treinamento: O modelo foi treinado em 1.600 casos sintéticos, validado em 200 e testado em 200 casos sintéticos.

Fluxo de Trabalho Clínico

Para aplicação clínica, o fluxo de trabalho envolve:

1. Classificação: Geração de uma Projeção de Intensidade Máxima (MIP) 2D restrita à dura para diferenciar SDAVF de outras malformações (ex: AVMs, AVFs piais) com base na presença ou ausência de uma artéria aferente em formato de grampo (hairpin).
2. Localização: Se uma SDAVF for suspeita, a RadicularSEUNet segmenta a rede venosa intradural 3D. Esta máscara é fundida com as máscaras vertebral e da dura para visualizar o ponto de junção entre a veia radicular e a dura-máter.
3. Determinação do Nível: Um médico cego identifica o nível segmentar com base na projeção do pedículo vertebral em relação ao ponto de conexão dural.

Principais Resultados

Desempenho dos Dados Sintéticos

No conjunto de teste sintético independente (n=200), a RadicularSEUNet demonstrou alta fidelidade de segmentação:

• Coeficiente Dice Mediano: 0,986
• Dice de Linha Central Mediano (clDice): 0,986
• Pontuação F0.5 Mediana: 0,992
• Pontuação Composta: 0,988
  O modelo apresentou desempenho estável em vários limiares, indicando robustez na segmentação da complexa rede venosa intradural.

Desempenho da Coorte Clínica

O modelo foi avaliado em uma coorte retrospectiva de 31 casos reais de CEMRA (21 SDAVF, 6 AVFs piais, 2 SAVMs, 2 DSA-negativos).

• Diferenciação: O fluxo de trabalho combinado (MIP + RadicularSEUNet) diferenciou corretamente SDAVF de outros tipos de malformações vasculares.
• Precisão de Localização: O modelo alcançou 100% de precisão na localização de nível para casos de SDAVF.
• Casos Desafiadores:
  • Torácica Superior/Média: Em 7 casos com veias radiculares curtas e finas (tipicamente difíceis de segmentar), o modelo identificou corretamente o nível de conexão dural em 100% dos casos (7/7), enquanto as imagens de MIP 2D falharam em determinar a localização em 3 casos (42,9%).
  • Casos DSA-Negativos: Em dois casos DSA-negativos (diagnosticados como medula espinhal presa oculta), a RadicularSEUNet identificou padrões venosos típicos, mas os distinguiu corretamente de SDAVF com base na baixa contagem de voxels (vascularidade esparsa), evitando falsos positivos.

Significância e Alegações

O artigo afirma que a RadicularSEUNet possibilita uma nova estratégia de localização de SDAVF baseada em veias, não invasiva e anatomicamente intuitiva. Ao mudar o foco da elusive artéria aferente para a veia radicular, de maior diâmetro e mais visível, o método supera as limitações de resolução espacial da CEMRA.

As principais contribuições destacadas pelos autores incluem:

1. Superação dos Limites de Resolução: O modelo segmenta com sucesso a veia radicular mesmo quando a zona fistulosa não é diretamente visível, fornecendo um substituto confiável para a localização.
2. Automação e Objetividade: Diferente da segmentação baseada em limiares, que depende do operador, a RadicularSEUNet oferece uma solução totalmente automatizada que reduz a variabilidade interobservador.
3. Utilidade Clínica: A abordagem alcançou 100% de precisão de localização em uma coorte do mundo real, sugerindo que pode reduzir diagnósticos perdidos, diminuir a exposição à radiação ao minimizar a necessidade de DSAs repetidas ou extensas, e potencialmente servir como uma ferramenta diagnóstica autônoma.
4. Visualização Anatômica: Ao reconstruir a conexão entre a veia radicular e a dura-máter junto com a anatomia vertebral, o método fornece uma visualização que se alinha aos alvos cirúrgicos (interrupção da veia de drenagem) e aos fluxos de trabalho médicos.

Os autores reconhecem limitações, incluindo a necessidade de validação em coortes prospectivas maiores, o uso da máscara do canal espinhal como substituto da dura e a ocorrência ocasional de descontinuidade em veias muito longas e delgadas. No entanto, eles sustentam que este trabalho representa um passo significativo em direção a uma via diagnóstica e terapêutica livre de radiação para SDAVF.