IA identifica estruturas anatômicas ocultadas por doenças como Covid-19 e câncer
Durante a pandemia de Covid-19, o grau de comprometimento do pulmão do paciente se tornou um dos principais marcadores de gravidade da doença. Na maioria dos hospitais, essa informação era estimada: o radiologista examinava a imagem da tomografia do paciente e calculava, a olho nu, a extensão atingida no pulmão. Contudo, quando dois ou três médicos avaliavam a mesma imagem, chegavam a resultados diferentes. “Isso é muito pouco reprodutível, porque é intuitivo. O profissional olha e faz a avaliação, sem uma medida quantitativa”, diz Sérgio San Juan Dertkigil, docente da Faculdade de Ciências Médicas (FCM) da Unicamp e diretor do setor de radiologia do Hospital de Clínicas da Universidade.
Um método desenvolvido na Unicamp e apresentado em um artigo publicado em abril na revista Scientific Reports, do grupo Nature, pode mudar esse cenário. Pesquisadores das áreas de Medicina e Engenharia da Universidade uniram esforços para construir um algoritmo com inteligência artificial capaz de identificar e delimitar, automaticamente, estruturas pulmonares mesmo em tomografias de pacientes com Covid-19 grave ou câncer avançado. Denominado LobePrior, o software consegue atuar onde falham outras tecnologias do gênero, que são menos eficazes para casos mais graves (quando a doença encobre as referências anatômicas internas) por serem treinadas para ler pulmões saudáveis ou com lesões leves.
“Um software como esse consegue fazer essa quantificação em segundos ou minutos, com reprodutibilidade superior à análise manual”, afirma Dertkigil. Testada em quatro conjuntos de dados independentes, a nova IA superou os três principais métodos disponíveis na literatura, chegando a 97% de concordância com as anotações manuais de radiologistas nos casos de Covid-19 (os mais difíceis de analisar).
O LobePrior é resultado de três anos de pesquisa de doutorado realizada por Jean Antonio Ribeiro na Faculdade de Engenharia Elétrica e de Computação (FEEC), sob orientação da professora Letícia Rittner. Seu desenvolvimento contou com a parceria com médicos, pesquisadores e docentes da FCM.
O código completo da IA está disponível gratuitamente no site do Medical Image Computing Laboratory (MICLab – Laboratório de Imagem Médica por Computação), da Faculdade de Engenharia Elétrica e de Computação (FEEC) da Unicamp, no endereço eletrônico github.com/MICLab-Unicamp/LobePrior. Também foi integrado ao MEDPSeg, uma ferramenta do laboratório utilizada por pesquisadores para estudar comprometimento pulmonar em pacientes submetidos a radioterapia. Para uso clínico no SUS, a aprovação da Anvisa e a validação em diferentes ambientes hospitalares ainda são necessárias, além da ampliação da pesquisa.
O diferencial
O pulmão direito tem três lobos (superior, médio e inferior) e o esquerdo, dois (superior e inferior), separados por estruturas chamadas fissuras pulmonares. Saber quais deles estão comprometidos, e em que extensão, orienta diagnósticos, planejamento cirúrgico e avaliação de tratamentos. Cânceres e tuberculose tendem a afetar mais os lobos superiores; já a Covid-19, os inferiores, que são mais irrigados. Sem delimitá-los, a análise de um radiologista fica necessariamente qualitativa, sem valores.
O problema surge quando a doença é grave, explica Dertkigil. Em uma pneumonia extensa ou um tumor avançado, as fissuras ficam “apagadas” sob as lesões na imagem, e as referências visuais desaparecem. Já o LobePrior foi desenvolvido para detectar justamente casos em que o pulmão está adoecido – com Covid, pneumonia ou câncer, por exemplo –, pois nessas situações a anatomia do órgão muda, pontua Rittner.
Problema básico
Antes de desenvolver o método, era preciso resolver um problema básico, porém essencial: encontrar o material para ensinar a máquina a identificar esses desafios. Para que um algoritmo aprenda a reconhecer pulmões gravemente comprometidos, ele precisa ter visto muitos nessa situação, e esse tipo de dado é raro, sensível e de difícil acesso. A pandemia, no entanto, criou as condições para isso.
Entre abril e outubro de 2020, o Hospital de Clínicas da Unicamp coletou 30 tomografias de pacientes internados com Covid-19 para estudos detalhados da doença. Essas imagens foram anonimizadas – passaram por tratamento de dados para que não pudessem ser associadas a pacientes específicos – e aprovadas pelo Comitê de Ética em Pesquisa. Alguns anos depois, acabaram servindo como base para o doutorado de Ribeiro.
A primeira tarefa dele foi aprender a ver o que os radiologistas veem. Juntamente com Fabiano Reis, professor da FCM, e o engenheiro passou semanas identificando as fissuras pulmonares nas três vistas possíveis das imagens volumétricas. “Fizemos a anotação das imagens. Eu ao lado dele, que foi me ensinando os caminhos do pulmão, onde uma fissura começava e terminava dentro de uma imagem de CT [sigla em inglês para tomografia computadorizada]”, conta.
Anotar é o processo de delimitar digitalmente cada lobo nas imagens, fatia por fatia. Ribeiro anotou manualmente os lobos de outras 30 tomografias de pacientes com câncer de pulmão, de um repositório público internacional. O material foi revisado pelo radiologista Ricardo Siufi Magalhães, da Faculdade São Leopoldo Mandic. O resultado desse trabalho, batizado de Locca (Conjunto de dados de tomografia computadorizada de lobos pulmonares para pacientes de Covid-19 e câncer anotados manualmente, na sigla em inglês), foi publicado como artigo independente em 2025 na revista IEEE Data Descriptions.
Rittner explica que a inovação só foi possível graças à construção dessas bases de dados em conjunto com os profissionais da saúde. “Não tem algoritmo bom sem dado bom”, resume. “Esse dado bom passou por horas e horas de anotação e trabalho feito manualmente, com a ajuda dos médicos. O humano está na entrada e está na saída. A parte do meio é o algoritmo.”
O método
O algoritmo elaborado por Ribeiro opera em três estágios, cada um responsável por uma camada diferente do problema. O primeiro oferece à tecnologia uma visão geral do pulmão. A tomografia é processada em baixa resolução (uma versão simplificada da imagem) para que o sistema localize onde os lobos estão, de forma aproximada, antes de se aprofundar nos detalhes. É como olhar para um mapa antes de entrar numa rua específica.
A precisão se torna importante no segundo estágio. Trabalhando em alta resolução, o algoritmo não tenta identificar todos os lobos de uma vez. Cinco decodificadores (um para cada parte de interesse) atuam simultaneamente, após aprenderem características da estrutura designada – forma, localização e modo como o lobo pulmonar se comporta quando a doença o deforma.
O diferencial está na terceira etapa. Recuperando a ideia dos antigos atlas de segmentação, foi integrado à rede neural do LobePrior um mapa anatômico, isto é, um modelo probabilístico construído a partir de múltiplas tomografias, onde cada lobo pulmonar é representado em sua localização exata. A ideia é servir de apoio para aumentar a segurança da rede neural, sobretudo em casos em que as lesões apagam as referências anatômicas. “Não adianta procurar o lobo superior direito do lado esquerdo, porque não é lá que ele está”, simplifica Rittner.
Para completar, o grupo desenvolveu lesões sintéticas computadorizadas, extraindo imagens de lesões de casos graves e inserindo-as em imagens de pulmões saudáveis. Desta forma, foram criadas tomografias artificiais com intensidades realistas – uma ideia adaptada de estudos com ressonância magnética cerebral. Os experimentos realizados confirmaram que essa camada “extra” de trabalho melhorou o desempenho da IA, especialmente nos cenários mais adversos.
O caminho para chegar a esse método não foi linear, tampouco direto. “Parecia um limite quase intransponível. Foram três anos do Jean tentando: modifica a rede aqui, modifica algo ali. Muita coisa mostrou não funcionar”, lembra Rittner. O salto veio justamente com a combinação dos modelos probabilísticos e das lesões sintéticas. Em 2024, uma versão anterior do trabalho já havia sido premiada no Congresso Brasileiro de Engenharia Biomédica.
Pergunta distante
O LobePrior não nasceu da pandemia. A ideia que o originou é mais antiga e vem de outro território clínico. Por volta de 2006, Rittner conheceu a reumatologista Simone Appenzeller, da FCM, no Canadá, onde ambas faziam pós-graduação. Desde aquela época, elas buscavam trabalhar juntas, com um mesmo propósito: dar objetividade ao que na clínica ainda é julgado a olho nu.
Em doenças autoimunes que atacam o pulmão de forma progressiva, por exemplo, a decisão de manter ou trocar o medicamento imunossupressor depende de limiares numéricos: acima de 40% de comprometimento do órgão, a medicação é alterada. Na prática, porém, essa medida é baseada em avaliação clínica. “Tem muita subjetividade nesse processo. Isso é dramático na vida das pessoas”, diz Appenzeller.
A ideia era desenvolver uma ferramenta para essas doenças crônicas, mas a pandemia de coronavírus mudou a rota. O Hospital de Clínicas acumulou tomografias de casos graves de Covid-19, a Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (Capes) lançou uma chamada específica para pesquisas sobre epidemias, e Rittner foi contemplada com um projeto de telemedicina. Escolher a Covid-19 foi estratégico, pois o grupo de cientistas já tinha um conjunto de dados organizado, com pacientes bastante estudados. As alterações causadas pelo vírus serviram como base de treinamento eficiente para pulmões alterados de modo geral: a doença-alvo mudou, mas a pergunta de fundo, não. O próximo passo planejado é retomar o problema original para validar o LobePrior para doenças inflamatórias, pois distinguir inflamação ativa de cicatriz irreversível define condutas.
Do laboratório ao hospital
Na prática, explica Dertkigil, o LobePrior oferece ao médico a substituição da estimativa visual por um número objetivo, o que os radiologistas chamam de radiômica, ou radiologia quantitativa. “Esses softwares conseguem quantificar com um viés menor do que o ser humano”, diz o professor. A diferença entre análises, portanto, deixa de existir. No caso do câncer de pulmão, a aplicação mais promissora não é modificar tratamento, mas antecipar o diagnóstico de quem ainda não o tem.
Programas de rastreamento com tomografia de baixa dose para fumantes e trabalhadores expostos a substâncias cancerígenas esbarram num gargalo concreto: faltam radiologistas em número suficiente para processar o volume de exames que seriam gerados. Um software capaz de fazer a triagem inicial pode mudar essa equação. “A gente enxerga essa tecnologia como um acelerador muito grande de diagnóstico. Isso possibilitaria destravar programas de rastreamento de câncer de pulmão, de modo que a gente conseguisse fazer diagnóstico muito mais precocemente”, prevê o diretor da radiologia da Unicamp.
Colaboração multidisciplinar
A parceria entre Dertkigil e Rittner não começou agora. Os dois já haviam colaborado num projeto anterior de segmentação pulmonar com o pesquisador Diedre Santos do Carmo, que também assina o artigo sobre o LobePrior publicado. “Pesquisa só é possível quando você reúne físicos, engenheiros eletricistas, matemáticos, médicos. E todo mundo trabalha junto, porque cada um deposita um pedacinho do seu conhecimento para construir alguma coisa maior do que as partes”, diz Dertkigil.
Para Rittner, disponibilizar a tecnologia abertamente é parte constitutiva dessa lógica. “O que o Jean fez, aprendeu e usou durante anos agora está ali, público, tanto o conjunto de dados quanto o código do algoritmo, de forma completamente gratuita. A gente entende que ciência, para ter impacto, deve ser assim. Não se trata apenas de fornecer a ferramenta, mas de oferecer uma oportunidade para outras pessoas aprenderem a partir daqui e avançar. Sem ter que começar do zero.”
Informações originalmente publicadas pela Secretaria Executiva de Comunicação da Unicamp
Fonte: https://jornal.unicamp.br/ – Autoria Marina Gama
Legenda/Imagem: “Isso é muito pouco reprodutível, porque é intuitivo. O profissional olha e faz a avaliação, sem uma medida quantitativa”, diz Sérgio San Juan Dertkigil, docente da Faculdade de Ciências Médicas (FCM) da Unicamp e diretor do setor de radiologia do Hospital de Clínicas da Universidade.
