Radiômica e IA em Imagem Médica
Under scientific review
Esta página descreve características quantitativas de imagem e fluxos de trabalho de aprendizado de máquina em radiologia e patologia. Use-a para orientação, não para tomada de decisão clínica.
Exames de imagem médica (TC, RM, PET, Mamografia) não são meramente fotos para serem visualizadas a olho nu — são conjuntos de dados espaciais quantitativos de alta dimensão. A Radiômica é a extração automatizada de características quantitativas de alto rendimento a partir de imagens médicas para converter fenótipos visuais em dados mineráveis.
Para engenheiros de visão computacional, a radiômica une o processamento de imagem artesanal tradicional (matrizes de textura, descritores de forma) aos embeddings de aprendizado profundo moderno (CNNs, Vision Transformers) para prever a histologia tumoral, mutações drivers (Radiogenômica) e resposta terapêutica.
1. O Pipeline de Processamento Radiômico
[ Scans DICOM (TC/RM/PET) ] ──► [ Pré-processamento & Reamostragem ] ──► [ Segmentação da ROI (Máscara 3D) ]
│
[ Desfecho Clínico / Genômico ] ◄── [ Modelo ML (ElasticNet/XGBoost) ] ◄── [ Extração de Features (PyRadiomics) ]- Aquisição & Parsing de Metadados: Imagens DICOM são ingeridas juntamente com parâmetros de aquisição (espessura de fatia, quilovoltagem, tempo de contraste, kernels de reconstrução).
- Pré-processamento & Padronização:
- Reamostragem de Voxels: Reamostrar imagens para espaçamento isotrópico de voxels (ex: $1\text{mm} \times 1\text{mm} \times 1\text{mm}$) usando interpolação B-spline.
- Normalização de Intensidade: Normalização Z-score ou min-max, especialmente crítica para Ressonância Magnética onde as unidades de intensidade são arbitrárias (diferente das Unidades Hounsfield - HU calibradas da Tomografia).
- Segmentação (Criação da Máscara): Definir a Região de Interesse 3D (ROI) para o tumor primário e sub-regiões (núcleo necrótico, borda impregnante, edema peritumoral). Feito manualmente por radiologistas ou automaticamente via modelos de aprendizado profundo (nnU-Net).
- Extração de Características: Extrair descritores matemáticos em conformidade com a Image Biomarker Standardisation Initiative (IBSI).
- Machine Learning & Modelagem: Seleção de características (mRMR, Lasso) seguida pelo treinamento do modelo, testes rigorosos fora de distribuição (OOD) e calibração de probabilidade.
2. Famílias de Características (Padrão PyRadiomics)
A radiômica extrai centenas de características categorizadas em famílias matemáticas:
| Família de Features | O Que Mede | Analogia em Visão Computacional |
|---|---|---|
| Forma & Tamanho (Shape) | Volume, área de superfície, esfericidade, compacidade, elongação | Geometria de malha 3D & razões de bounding box |
| Primeira Ordem (Intensidade) | Média, mediana, desvio padrão, assimetria (skewness), curtose, entropia | Estatísticas de histograma de intensidade em tons de cinza |
| GLCM (Matriz de Co-ocorrência) | Contraste, correlação, energia, homogeneidade | Arranjo espacial de intensidades entre pares de pixels |
| GLRLM / GLSZM (Run/Zone Length) | Aspereza, homogeneidade de textura, micro-padrões regionais | Corridas espaciais de valores de pixels idênticos consecutivos |
| Features Derivadas de Filtros | Altas/baixas frequências espaciais extraídas via filtros Wavelet ou Laplacian of Gaussian (LoG) | Detecção de bordas & blobs multiescala (filtros DoG/Sobel) |
3. Radiogenômica: Prevendo Mutações a partir de Scans
A Radiogenômica correlaciona características de textura radiômica com alterações genômicas subjacentes, buscando criar "biópsias virtuais" não invasivas:
- Cérebro (Glioma): Prevendo o status mutacional de IDH1 ou a co-deleção 1p/19q a partir da heterogeneidade do sinal FLAIR em Ressonância Magnética.
- Pulmão (NSCLC): Prevendo mutações em EGFR ou fusões em ALK a partir de margens espiculadas e padrões de opacidade em vidro fosco na Tomografia.
- Mama: Correlacionando a densidade mamográfica e a cinética de realce em RM dinâmica com o status de BRCA1/2 ou escores de recorrência Oncotype DX.
4. Principais Armadilhas de Engenharia em Radiômica
- Variabilidade Inter-Scanner: Features extraídas de um tomógrafo Siemens podem falhar em um tomógrafo GE devido a diferenças nos detectores de hardware e kernels de reconstrução. As soluções incluem a harmonização ComBat aplicada diretamente às matrizes de características.
- Sensibilidade à Segmentação: Features como esfericidade ou contraste GLCM são altamente sensíveis a pequenas variações nos limites da segmentação manual. As características devem ser auditadas quanto à concordância inter-observador (Coeficiente de Correlação Intraclasse - ICC > 0,85).
Referências
- Zwanenburg, A., et al. (2020). The Image Biomarker Standardisation Initiative: standardized quantitative radiomics for high-throughput image-based phenotyping. Radiology, 295(2), 328-338.
- van Griethuysen, J. J., et al. (2017). Computational radiomics system to decode the radiographic phenotype. Cancer Research, 77(21), e104-e107.
- Gillies, R. J., Kinahan, P. E., & Hricak, H. (2016). Radiomics: images are more than pictures, they are data. Radiology, 278(2), 563-577.