Ultrassonografia Intraoperatória para Cirurgia de Tumor Cerebral Aprimorada por IA (BrainUS-AI)

A cirurgia de tumores cerebrais apresenta grandes desafios devido à anatomia complexa do cérebro e à natureza infiltrativa destas lesões, que se localizam frequentemente perto de áreas eloquentes. Um dos principais determinantes da sobrevivência do doente é a extensão da resseção do tumor, desde que possa ser alcançada sem comprometer a função neurológica 1. Para maximizar a resseção segura, os neurocirurgiões dependem de uma variedade de auxiliares intraoperatórios, incluindo agentes fluorescentes, neuronavegação, estimulação elétrica direta e técnicas avançadas de imagem intraoperatória, nomeadamente a ressonância magnética intraoperatória (ioMRI) e a ecografia intraoperatória (ioUS) 2.

Embora a ioMRI ofereça excelente resolução e precisão, o seu elevado custo, exigências logísticas e complexidade de integração limitam a sua disponibilidade a um pequeno número de centros especializados 3. Em contraste, a ioUS é uma modalidade de baixo custo e versátil que se integra naturalmente no fluxo de trabalho cirúrgico 4-6. No entanto, a sua adoção mais ampla tem sido limitada por vários fatores: alta dependência do operador, uma curva de aprendizagem íngreme e desafios de interpretação relacionados com artefactos, planos de imagem não padronizados, baixo contraste entre o tumor e o cérebro normal, e um campo de visão restrito.

Nas últimas décadas, a investigação sobre a segmentação de tumores cerebrais baseada em IA avançou substancialmente, mas a maioria do trabalho tem-se concentrado na ressonância magnética 7. No contexto da ioUS, estudos iniciais como o de Ritschel et al. 8 demonstraram que modelos de classificação supervisionada (por exemplo, máquinas de vetores de suporte) poderiam distinguir o tumor do tecido saudável na ecografia com contraste, mas estas abordagens eram intensivas em mão de obra e limitadas a pequenos conjuntos de dados. Ilunga-Mbuyamba et al. 9 investigaram posteriormente o registo multimodal entre ioUS e ressonância magnética para melhorar a segmentação, mas a viabilidade clínica foi limitada pela necessidade de um registo conjunto preciso. Mais recentemente, abordagens baseadas em aprendizagem profunda por Canalini et al. 10 e Carton et al. 11 foram aplicadas para segmentar cavidades cirúrgicas e volumes tumorais em imagens de ioUS.

Métodos de última geração, como os relatados por Faanes et al. 12, usando arquiteturas nnU-Net, alcançaram coeficientes de similaridade de Dice promissores de 0,6-0,9 em conjuntos de dados públicos como o RESECT-SEG 13 e o ReMIND 14. No entanto, estes modelos não foram concebidos para inferência em tempo real e não foram validados em ambientes cirúrgicos ao vivo. Outras abordagens, como a de Dorent et al. 15, basearam-se em imagens de ecografia sintéticas derivadas de ressonância magnética pré-operatória, levantando preocupações sobre a generalização para dados reais de ioUS. No geral, apesar destes avanços, a tradução clínica permanece limitada devido aos desafios únicos da ioUS, incluindo menor resolução espacial, heterogeneidade de imagem e variabilidade nos protocolos de aquisição.

Noutros domínios médicos, a segmentação de ecografia assistida por IA demonstrou viabilidade em tempo real. Por exemplo, Hu et al. 16 implementaram modelos baseados em U-Net para segmentação de lesões mamárias a 16 quadros por segundo (FPS) com pontuações de Dice superiores a 0,75, enquanto Wei et al. 17 aplicaram deteção baseada em YOLO para identificar placas carotídeas com 98,5% de precisão a 39 FPS. Apesar da sua eficiência e precisão, abordagens semelhantes ainda não foram implementadas e clinicamente validadas para cirurgia de tumores cerebrais usando ioUS.

O nosso projeto visa colmatar esta lacuna, realizando uma validação multicêntrica, prospetiva e não randomizada de um protótipo de modelo de segmentação baseado em aprendizagem profunda especificamente concebido para ecografia intraoperatória de tumores cerebrais em tempo real. O modelo opera a taxas de quadros cirúrgicos, delineando automaticamente os limites do tumor diretamente no fluxo de ecografia ao vivo, com o objetivo de auxiliar a tomada de decisão intraoperatória, maximizar a extensão da resseção quando clinicamente apropriado e preservar a função neurológica.

Este estudo baseia-se no nosso trabalho anterior, que estabeleceu uma base científica sólida para a validação proposta. Na nossa publicação recente, "Deep Learning-Based Glioma Segmentation of 2D Intraoperative Ultrasound Images: A Multicenter Study Using the Brain Tumor Intraoperative Ultrasound Database (BraTioUS)" 18, treinámos e validámos um modelo de aprendizagem profunda para segmentação de tumores cerebrais usando dados multicêntricos de BraTioUS-DB, marcando um marco na investigação de ioUS. Num segundo estudo, "Real-Time Brain Tumor Detection in Intraoperative Ultrasound: From Model Training to Deployment in the Operating Room"19, desenvolvemos e avaliamos prospetivamente um modelo de deteção de visão por computador em tempo real na sala de operações. Juntos, estes contributos fornecem uma estrutura robusta para avançar a segmentação baseada em IA em tempo real na ecografia intraoperatória, diretamente alinhada com os objetivos do presente estudo.