Modelo de deep learning 2.5d para análise quantitativa de lesões crônicas em esclerose múltipla

Abstract

A Esclerose Múltipla (EM) é uma doença neuro inflamatória e neurodegenerativa, sendo as lesões hipointensas um marcador de dano axonal irreversível e preditor de incapacidade. Contudo, a quantificação manual destas lesões é laboriosa e suscetível à variabilidade interobservador, limitando sua aplicação clínica. Este estudo objetivou desenvolver e validar um algoritmo de Aprendizado Profundo para a segmentação automática de lesões hipointensas, avaliando sua relevância como biomarcador de progressão da EM. Utilizamos uma arquitetura DenseNet Tiramisu 2.5D, adaptada para entrada multimodal (T1 e FLAIR), que processa cortes empilhados nas três orientações para capturar o contexto volumétrico. O modelo foi treinado e validado com um dataset retrospectivo de 132 exames provenientes de múltiplos scanners, garantindo a robustez para generalização em cenários clínicos diversos. A segmentação de referência foi refinada com a sobreposição T1/FLAIR. O algoritmo atingiu um desempenho robusto, com Coeficiente Dice médio de 0,82, sensibilidade voxel de 85,3% e excelente concordância volumétrica (ICC = 0,96) em relação ao padrão de referência. A precisão da segmentação habilitou análises aprofundadas, estabelecendo o Índice de Conversão FLAIR-T1 como um biomarcador prognóstico, que se correlacionou significativamente com a atrofia talâmica e o tempo de doença. Adicionalmente, a análise espacial revelou uma associação entre a probabilidade de lesão e a centralidade de intermediação dos tratos de substância branca, sugerindo a vulnerabilidade seletiva de hubs de conectividade estrutural. Em conclusão, este trabalho valida um modelo de engenharia otimizado para a segmentação automatizada de lesões crônicas de EM. A quantificação precisa gerada pela Inteligência Artificial (IA) fornece biomarcadores prognósticos objetivos, essenciais para o monitoramento e a avaliação de terapias na prática clínica.