Algoritmia de Diagnóstico Diferencial de Espondilodiscite Tuberculosa e Brucelar com Recurso a Ressonância Magnética

A distinção entre espondilodiscite tuberculosa (ET) e espondilodiscite brucelar (EB) apresenta desafios clínicos complexos, especialmente em regiões onde estas infeções não são endémicas e a experiência com brucelose é limitada. A confusão diagnóstica não só é comum como crítica, uma vez que ET e EB requerem abordagens terapêuticas distintas para evitar complicações graves, como deformidades espinhais e défices neurológicos. Com esta necessidade clínica urgente, Chen et al.¹ exploraram a viabilidade de modelos de deep learning (DL) baseados em ressonância magnética convencional para diferenciar estas condições, propondo uma alternativa rápida, precisa e não invasiva ao diagnóstico tradicional.

O estudo utilizou 383 exames de pacientes com diagnóstico confirmado de ET ou EB, construindo modelos de DL a partir de sequências de imagens de ressonância magnética (RM), incluindo T1WI, T2WI e T2WI com supressão de gordura (FS). Os modelos foram treinados e testados em quatro arquiteturas de redes neuronais convolucionais (CNN) amplamente aceites – VGG19, VGG16, ResNet18 e DenseNet121 – com o objetivo de avaliar o desempenho de cada uma na tarefa de classificação. Os resultados foram claros: o modelo combinado com base nas três sequências, particularmente a arquitetura VGG19, alcançou uma AUC de 79.3%, superando significativamente o desempenho dos radiologistas envolvidos na análise.

Este desempenho melhorado é particularmente importante quando consideramos as limitações dos métodos tradicionais de diagnóstico de ET e EB. Embora a RM seja considerada o padrão para identificar infeções espinhais, a diferenciação específica entre ET e EB através de características radiológicas convencionais exige um olhar clínico altamente treinado. Contudo, a maioria dos clínicos fora das áreas endémicas não possui esta familiaridade. Neste contexto, a IA surge como uma solução prática, oferecendo um suporte diagnóstico que reduz a dependência de conhecimento especializado e promove um diagnóstico mais acessível e eficiente. Os dados subjacentes ao desempenho do DL reforçam a sua aplicabilidade: a capacidade dos modelos para reconhecer padrões de lesões específicas em ET e EB – como o edema medular na brucelose e a destruição vertebral na tuberculose – é sustentada pela análise automática de imagens. Em acréscimo, a precisão do modelo combinado com três sequências de RM indica que a fusão de dados multissequenciais potencia o reconhecimento de diferenças subtis, o que é crítico na diferenciação destas infeções.

Contudo, enquanto o DL demonstra-se promissor, desafios e limitações permanecem e são assim oportunidades para novas abordagens de investigação. Em primeiro lugar, o estudo baseou-se em dados retrospectivos, com segmentação manual das lesões, um processo moroso que pode introduzir erros. A criação de sistemas semi-automatizados para segmentação poderá, no futuro, melhorar tanto a eficiência como a precisão dos modelos. Em segundo lugar, a ausência de um conjunto de validação externo levanta questões sobre a generalização dos resultados em populações mais amplas. A implementação de validações externas é, por isso, essencial para confirmar a robustez dos modelos em contextos clínicos diversificados.

Do ponto de vista clínico, os resultados apontam para uma integração progressiva da IA na prática da radiologia espinhal, especialmente em contextos onde o tempo de resposta é crucial e os recursos são limitados. A adoção de DL em RM convencional pode transformar a abordagem diagnóstica das infeções espinhais, oferecendo um suporte que amplia a capacidade dos serviços de saúde em áreas com procura elevada. Ainda, a IA não só complementa e apoia o diagnóstico dos radiologistas como também facilita a gestão de casos complexos, permitindo que os profissionais se concentrem em análises e decisões clínicas de maior complexidade.

Enquanto o desenvolvimento de modelos cada vez mais sofisticados continua, torna-se imperativo que os profissionais de saúde sejam capacitados para interpretar e integrar estes sistemas na prática clínica diária. Com uma formação adequada e uma validação robusta, a IA poderá tornar-se uma ferramenta indispensável na radiologia espinhal.

¹ Chen, J., et al. (2024). Differentiation of tuberculous and brucellar spondylitis using conventional MRI-based deep learning algorithms. European Journal of Radiology, 178, 111655.

Artigo relacionado

Potencial Colaborativo entre a Inteligência Artificial e Imagem Retiniana na Doença de Alzheimer