Validação externa de um modelo baseado em aprendizado profundo para detecção de embolia pulmonar em tomografias computadorizadas de tórax

A embolia pulmonar (EP) é uma doença potencialmente fatal se não diagnosticada e tratada prontamente. A TC de tórax continua sendo o padrão-ouro para o diagnóstico hoje em dia, mas a EP também pode ser encontrada incidentalmente em TCs aprimoradas. A maioria dos exames de CTPA é realizada em clínicas em caso de suspeita de EP em condições de urgência, enquanto uma minoria é realizada para condições de tromboembolismo pulmonar crônico suspeito ou validado, uma doença frequentemente negligenciada em tomografias, mas afetada por alta morbidade e mau prognóstico se não tratada . Assim, métodos para agilizar e automatizar o reconhecimento de êmbolos dentro dos vasos pulmonares têm o potencial de se tornar um importante suporte na prática clínica, permitindo melhor triagem de casos urgentes de TEP e maior sensibilidade na identificação de pacientes com tromboembolismo pulmonar crônico. Com base nessas necessidades clínicas, um modelo baseado em aprendizado profundo para a detecção de embolia pulmonar foi desenvolvido em exames de CTPA. O modelo foi baseado na arquitetura 2D ResNext50 e foi treinado e validado usando um conjunto de dados multicêntrico de código aberto composto por 7.169 pacientes. A partir desses dados retrospectivos, 85.000 cortes positivos para PE e 123.428 negativos para PE foram extraídos para treinamento. Para validação interna, foram utilizadas 9.922 fatias para cada classe. O modelo foi inicialmente validado externamente no nível do paciente usando um conjunto de dados de 156 pacientes adultos de 3 fontes públicas diferentes, com todos os êmbolos segmentados por pelo menos um radiologista experiente. Para obter informações sobre as previsões do modelo, os mapas de ativação foram extraídos usando o método Grad-CAM. Comparando esses mapas com as segmentações de verdade terrestre (GT), foi determinado se as regiões ativadas correspondiam a regiões de PE computando a porcentagem de GT PE que foi ativada e a porcentagem de regiões ativadas correspondentes a GT PE. O modelo de classificação PE atingiu uma área sob a curva (AUC) de 0,86 [0,800-0,919], uma sensibilidade de 82,68% [75,16 - 88,27] e uma especificidade de 79,31% [61,61 - 90,15] no conjunto de validação externa. No entanto, esses resultados foram obtidos em uma coorte de validação externa não balanceada (127 pacientes com PE positivos contra 29 pacientes com PE negativos), portanto, é muito importante avaliar o desempenho do modelo também em uma coorte de pacientes mais equilibrada, representando a real incidência clínica de EP ( entre 12 e 22%). Por esta razão, o objetivo do presente estudo é coletar uma coorte de validação externa representativa da realidade clínica real, incluindo CTPA e tomografia computadorizada aprimorada, com uma porcentagem mais equilibrada de casos de EP positivos e negativos. Além disso, os desempenhos do modelo serão comparados entre tomografia computadorizada e tomografia computadorizada aprimorada.