Degeneração macular: U-Net esbarra em limites éticos

A degeneração macular virou um dos testes mais duros para a IA em oftalmologia. A U-Net é eficiente para segmentar estruturas da retina em OCT e fundos de olho, mas o salto entre uma boa métrica de laboratório e uma decisão clínica segura ainda é grande.

O problema não está só no algoritmo. Está nos dados, na regulação, na responsabilidade médica e no risco de viés. Em um cenário em que a doença é uma das principais causas de perda visual em idosos, qualquer erro pode atrasar tratamento e piorar prognóstico.

Por que a degeneração macular desafia a U-Net

A U-Net nasceu para segmentação semântica e se tornou padrão em imagem médica desde o artigo original de 2015, com forte adoção em tarefas de retina. Em degeneração macular, ela pode isolar fluido sub-retiniano, drusas e áreas de atrofia em exames de OCT. O ganho técnico é real: em bases bem anotadas, estudos relatam Dice acima de 0,85 em tarefas específicas.

Mas a doença é heterogênea. A degeneração macular relacionada à idade tem formas seca e úmida, progressão variável e sinais que mudam com o equipamento. Isso cria um problema clássico de generalização. Um modelo treinado em um hospital de referência pode perder desempenho quando encontra outro fabricante de OCT, outra população ou outro protocolo de aquisição.

O dado que importa

Segundo a OMS, ao menos 2,2 bilhões de pessoas vivem com alguma deficiência visual no mundo. Já a degeneração macular relacionada à idade está entre as principais causas de cegueira irreversível em idosos. Em termos práticos, isso significa que um pequeno erro percentual pode atingir muita gente.

Onde a ética entra: viés, consentimento e autonomia

Em saúde, uma métrica alta não encerra a discussão. A degeneração macular exige atenção a viés de amostragem, consentimento para uso secundário de imagens e autonomia do paciente. Se a base de treino concentra pacientes brancos, idosos urbanos e exames de um único centro, o modelo tende a reproduzir esse recorte.

Esse risco não é teórico. Em IA médica, estudos mostram que desempenho pode cair de forma relevante quando o dataset externo tem distribuição diferente. Na oftalmologia, isso afeta diretamente triagem, priorização e acompanhamento longitudinal. O paciente pode ser classificado como baixo risco quando não é, ou receber alarme falso em excesso.

Autonomia clínica não pode ser terceirizada

O ponto ético central é simples: a IA deve apoiar, não substituir, o julgamento do oftalmologista. Em degeneração macular, a decisão depende de sintomas, histórico, OCT, angiografia e contexto funcional. Um modelo de segmentação não conhece a vida do paciente, apenas padrões de pixels.

Na degeneração macular, acertar o contorno da lesão não significa acertar a decisão clínica.

Para aprofundar governança em IA na saúde, vale consultar a Anvisa e as diretrizes de dispositivos médicos com software. Em paralelo, documentos do FDA mostram a exigência de controle de risco e validação para software como dispositivo médico.

Regulação: o que falta para a U-Net virar dispositivo confiável

O maior equívoco é tratar a U-Net como se fosse apenas um componente técnico. Em ambiente clínico, ela passa a ser parte de um sistema regulado. Isso inclui rastreabilidade de dados, documentação de versão, limites de uso e plano de monitoramento pós-implantação.

Na prática, uma solução para degeneração macular precisa responder a perguntas objetivas: qual é a origem dos dados, quem anotou as máscaras, qual foi o critério de referência, qual foi a performance externa e qual a taxa de falso negativo em casos graves. Sem isso, a ferramenta fica presa no laboratório.

Exemplo regulatório

O marco europeu para dispositivos médicos e as orientações do FDA exigem evidência clínica proporcional ao risco. Em oftalmologia, isso significa que um modelo de triagem para degeneração macular precisa demonstrar segurança em cenários reais, não apenas em validação cruzada interna.

Há também a exigência de monitoramento contínuo. Se o hospital troca o equipamento de imagem, muda o perfil de pacientes ou atualiza o pipeline, a performance pode degradar. Sem MLOps, versionamento e auditoria, a IA vira caixa-preta operacional.

Limites técnicos: dados pequenos, rótulos caros e baixa explicabilidade

A U-Net depende de anotações precisas. Em degeneração macular, isso custa caro porque os rótulos exigem especialistas experientes. Uma máscara mal desenhada em OCT pode ensinar o modelo a segmentar ruído em vez de lesão. Em datasets pequenos, o overfitting aparece rápido.

Outro limite é a explicabilidade. A U-Net gera mapas de segmentação, o que ajuda mais do que um classificador puro. Ainda assim, o médico precisa entender por que a área foi marcada, qual foi a confiança do modelo e onde ele errou em casos limítrofes. Sem isso, a adoção clínica fica travada.

Uma técnica que ajuda, mas não resolve

Estratégias como data augmentation, transfer learning e ensemble podem melhorar desempenho. Mas elas não eliminam problemas estruturais. Se a base é desbalanceada, a técnica apenas mascara a fragilidade. Em degeneração macular, o ideal é combinar U-Net com revisão humana, calibração probabilística e avaliação por subgrupos.

Sem validação externa, uma U-Net pode parecer precisa no laboratório e falhar no consultório.

Um bom parâmetro é medir sensibilidade em lesões pequenas e em casos iniciais. Na prática clínica, perder um exsudato ou uma área de atrofia inicial pode atrasar o tratamento anti-VEGF ou o seguimento. A métrica global, sozinha, esconde esse risco.

Casos reais e o que a literatura já mostrou

A literatura em oftalmologia já mostrou bons resultados da IA em triagem de retinopatia diabética e em leitura de OCT para degeneração macular. Em alguns estudos, o desempenho em AUC ultrapassou 0,90 para detecção de sinais relevantes. Isso explica o entusiasmo do setor.

Mesmo assim, a passagem do artigo para o consultório é lenta. Em estudos multicêntricos, modelos treinados em uma base podem perder vários pontos percentuais quando testados em outro país ou em outro scanner. Esse desvio é suficiente para alterar a decisão clínica em uma doença progressiva.

O caso que resume o problema

Um sistema pode segmentar bem a retina, mas errar a interpretação do caso. Em degeneração macular, a diferença entre edema, fibrose e atrofia muda conduta. A U-Net vê estrutura; o médico vê trajetória da doença. Essa diferença explica por que a IA precisa ser validada em fluxo real, com dupla leitura e auditoria de erros.

Para entender a base científica da U-Net, consulte o artigo original em arXiv. Para contexto clínico da doença, a American Academy of Ophthalmology mantém resumo atualizado sobre sinais e manejo.

O que uma adoção responsável precisa ter

Uma implementação séria em degeneração macular não começa pela interface. Começa por governança. É preciso definir escopo clínico, população-alvo, critérios de exclusão, métricas por subgrupo e processo de revisão humana. Sem esse pacote, a ferramenta pode até funcionar no piloto, mas não sustenta escala.

Também é essencial registrar eventos adversos, falsos negativos e discordâncias entre IA e especialista. Esse log serve para melhoria contínua e para defesa regulatória. Em saúde, rastreabilidade não é detalhe administrativo; é parte da segurança do paciente.

Checklist mínimo

1) dados multicêntricos, 2) validação externa, 3) monitoramento pós-implantação, 4) explicabilidade operacional, 5) revisão clínica obrigatória. Esse conjunto reduz risco e aproxima a U-Net de um uso responsável em oftalmologia.

Sem essa base, a promessa técnica fica incompleta. A IA pode acelerar fluxo, mas não pode atropelar ética, regulação e prudência clínica.

Sobre o autor

pettrus

Editor IAIRON — Inteligência Artificial aplicada ao mercado brasileiro.