Diagnóstico Computacional de Atresia Biliar: Integração Multimodal com Estimativa de Incerteza

A atresia biliar (AB) é uma condição rara mas crítica, cuja deteção precoce pode determinar o prognóstico hepático a longo prazo. Apesar dos avanços na ecografia hepatobiliar, a variabilidade interobservador e a ausência de um marcador isolado com sensibilidade aceitável continuam a comprometer a acuidade diagnóstica, sobretudo em unidades com menor diferenciação especializada. Neste contexto, modelos de inteligência artificial (IA) multimodal, combinando imagem médica e variáveis clínicas, emergem como ferramentas com potencial impacto clínico direto. Neste estudo, analisamos a performance de um novo modelo¹ treinado com dados ecográficos (vesícula biliar e cordão fibroso), elastografia hepática e marcadores laboratoriais (idade, sexo, GGT, bilirrubina direta), integrando ainda uma métrica de incerteza baseada em entropia normalizada. O modelo foi treinado com dados de 384 lactentes com colestase e validado externamente em 156 casos provenientes de cinco centros distintos. A acuidade diagnóstica foi analisada em cenários com e sem exclusão de casos de elevada incerteza.

A pipeline de treino integrou imagens estáticas, vídeos ecográficos e variáveis clínicas estruturadas. O modelo multimodal atingiu uma AUC de 0.941 (IC95%: 0.891-0.972), com sensibilidade de 85,5% e especificidade de 83,6% no coorte externo. Mesmo com vídeos ecográficos (condição mais próxima da prática clínica), o desempenho manteve-se robusto (AUC 0.930), o que valida o modelo como ferramenta potencial para triagem automatizada. Importa notar que o desempenho aumentou substancialmente quando se aplicou o filtro de incerteza: a exclusão de 39 casos com entropia superior ao limiar pré-definido resultou numa acuidade de 91,5%. Estes resultados suportam a tese de que a IA pode não apenas predizer, mas também saber quando não sabe, importante característica para adoção clínica segura.

A interpretação de imagens por radiologistas assistidos pelo modelo demonstrou ganhos significativos. A AUC média dos especialistas subiu de 0.807 para 0.873 com apoio do algoritmo, com melhorias mais evidentes entre os menos experientes. O coeficiente de concordância interobservador aumentou de 0.571 para 0.696, sugerindo que a IA pode também atuar como nivelador técnico entre profissionais com diferentes graus de especialização. Importa destacar que a inclusão da elastografia hepática não aumentou significativamente o desempenho do modelo. Esta observação sugere que, em cenários clínicos reais, a adição de modalidades nem sempre implica melhoria, sobretudo quando a qualidade do exame é sensível a variáveis externas (jejum, agitação, técnica).

Ao contrário de muitas abordagens baseadas em IA que requerem equipamentos de alta gama ou imagens altamente padronizadas, este modelo demonstrou desempenho elevado mesmo com imagens heterogéneas de múltiplos centros, reforçando a sua aplicabilidade em hospitais gerais e unidades periféricas. A robustez da arquitetura permite a sua integração em pipelines clínicos existentes, com possibilidade de triagem automática de casos e referência seletiva para especialistas. Em acréscimo, a estratégia de exclusão por incerteza permite reduzir o risco de decisões erradas nos casos mais ambíguos, podendo ser uma solução pragmática para melhorar segurança sem comprometer eficiência.

A IA multimodal, quando combinada com mecanismos explícitos de gestão de incerteza, pode transformar o diagnóstico da AB numa tarefa mais objetiva, escalável e adaptável a diferentes contextos clínicos. Este estudo reforça a ideia de que algoritmos de apoio à decisão não devem apenas prever com exatidão, mas também reconhecer os seus próprios limites.

¹ Zhou, W., Lin, R., Zheng, Y. et al. Multimodal model for the diagnosis of biliary atresia based on sonographic images and clinical parameters. npj Digit. Med. 8, 371.