Radioterapia adaptativa no Brasil acelera ajustes com U-Net

A radioterapia adaptativa ganhou tração na oncologia clínica porque resolve um problema prático: o corpo do paciente muda ao longo do tratamento, e o plano precisa acompanhar essas variações sem atrasar o fluxo assistencial. Nesse cenário, a U-Net entrou como peça central para segmentar tumores e órgãos de risco com mais velocidade.

No Brasil, onde centros oncológicos lidam com filas, alta demanda e equipes enxutas, a combinação entre imagem médica, IA e revisão humana já aparece em pilotos e integrações com sistemas de planejamento. O resultado esperado é direto: menos retrabalho, mais padronização e ajustes mais rápidos no mesmo dia de atendimento.

Por que a radioterapia adaptativa virou prioridade na oncologia

A radioterapia adaptativa existe para responder a mudanças reais do tratamento: perda de peso, deslocamento de órgãos, redução de volume tumoral e variações diárias de posicionamento. Em tumores de cabeça e pescoço, por exemplo, o contorno anatômico pode mudar de forma relevante em poucas semanas, exigindo revisão do plano.

Na prática, isso significa que o planejamento não pode ser estático. Um estudo publicado em PubMed Central mostra que protocolos adaptativos podem melhorar a conformidade da dose quando há monitoramento frequente por imagem. Em centros com alto volume, cada revisão manual consome tempo de físico médico, radioterapeuta e dosimetrista.

O gargalo está no contorno

O maior atraso costuma estar na delineação de tumor e órgãos de risco. Em muitos serviços, esse trabalho leva dezenas de minutos por caso, e em cenários complexos pode passar de uma hora. É aí que a U-Net entra com valor clínico: ela reduz o tempo de segmentação e ajuda a padronizar o traçado.

U-Net: a arquitetura que acelerou a segmentação médica

A U-Net é uma CNN desenhada para segmentação semântica. Seu formato em “U” combina codificação e decodificação, preservando contexto global e detalhes finos da imagem. Em imagem médica, isso faz diferença porque bordas de lesões e estruturas anatômicas exigem precisão milimétrica.

Desde o trabalho original de 2015, a arquitetura virou referência em segmentação de CT, MRI e PET. Em radioterapia adaptativa, a U-Net costuma ser treinada para reconhecer volumes-alvo, bexiga, reto, pulmões, medula espinhal e outras estruturas críticas. A saída é usada como pré-contorno, depois validada por um especialista.

Na radioterapia adaptativa, minutos economizados na segmentação viram mais precisão no tratamento.

Por que ela funciona bem nesse caso

O motivo é técnico e operacional. A U-Net aprende padrões espaciais com eficiência mesmo quando há poucos dados rotulados, algo comum na saúde. Em vez de começar do zero, muitos grupos usam fine-tuning em datasets locais. Isso reduz o esforço de anotação e melhora a aderência ao protocolo do serviço.

Para referência técnica, o artigo clássico está disponível em arXiv.

Caso brasileiro: centros oncológicos testam IA no fluxo clínico

No Brasil, a adoção de IA em radioterapia ainda é desigual, mas já existe movimento concreto em hospitais privados e filantrópicos com maior maturidade digital. O padrão mais comum é começar com piloto em um sítio anatômico específico, como próstata ou cabeça e pescoço, onde a segmentação é trabalhosa e o ganho de tempo é mensurável.

Um exemplo recorrente é a integração de algoritmos de contorno com sistemas de planejamento, em ambiente controlado, para gerar pré-segmentações antes da revisão do radioterapeuta. Em centros de São Paulo e do Sul, equipes relatam uso de IA para acelerar o fluxo de planejamento em casos de alta complexidade, especialmente quando há necessidade de replanejamento durante o tratamento.

O que muda no dia a dia

Em vez de desenhar tudo manualmente, o time recebe uma sugestão de contorno em poucos segundos ou minutos, dependendo da infraestrutura. Em seguida, ocorre a checagem clínica. Essa lógica reduz o tempo entre a nova imagem e a liberação de um plano adaptado, o que é decisivo em tratamentos sensíveis a mudanças anatômicas.

Para contexto regulatório e adoção em saúde, vale acompanhar materiais da Anvisa e discussões da Sociedade Brasileira de Radioterapia.

Onde a radioterapia adaptativa ganha mais eficiência com IA

A radioterapia adaptativa se beneficia mais da IA em três pontos: segmentação, replanejamento e priorização clínica. A segmentação é o primeiro gargalo; o replanejamento exige comparação entre imagens anteriores e atuais; e a priorização ajuda a decidir quais pacientes precisam de revisão imediata.

U-Net não substitui o oncologista; ela tira o peso do trabalho repetitivo e acelera a decisão clínica.

Em termos operacionais, a U-Net encurta o primeiro passo. Em seguida, outras técnicas podem entrar no pipeline, como modelos de registro deformável, redes para previsão de dose e sistemas de apoio à decisão. Em alguns fluxos, um modelo de Transformer é usado para comparar séries temporais de imagem, enquanto a U-Net entrega o contorno inicial.

Números que importam

Na literatura, a segmentação automática pode reduzir o tempo de contorno de vários minutos para uma etapa de revisão de poucos minutos, dependendo do órgão e da qualidade da imagem. Em cenários de cabeça e pescoço, isso é especialmente relevante porque múltiplas estruturas precisam ser delineadas com precisão. Menos tempo de contorno significa mais disponibilidade do acelerador linear e melhor uso da agenda clínica.

Desafios para escalar no sistema de saúde brasileiro

Apesar do potencial, a escalada esbarra em três barreiras: heterogeneidade de equipamentos, qualidade dos dados e governança. Hospitais brasileiros usam scanners, protocolos e sistemas de arquivamento diferentes, o que dificulta treinar um modelo único. Uma U-Net treinada em um centro pode cair de desempenho em outro sem adaptação local.

Outro ponto é a segurança. Em oncologia, um erro de contorno pode alterar a dose em órgãos sensíveis. Por isso, a prática recomendada é manter o médico no circuito, com validação obrigatória antes de qualquer uso terapêutico. A IA precisa ser auditável, e o serviço precisa registrar métricas de acurácia, tempo economizado e taxa de correção manual.

O caminho mais realista

O modelo mais viável no Brasil é o híbrido: IA para pré-processamento, revisão humana para decisão. Também faz sentido começar por casos com maior repetibilidade, criar base local de imagens e usar RAG para apoiar protocolos internos e documentação, sem misturar isso com a camada de decisão clínica. O ganho vem da integração, não do algoritmo isolado.

O que hospitais e clínicas precisam fazer agora

Para tirar a radioterapia adaptativa do piloto e levar para produção, o hospital precisa alinhar TI, oncologia, física médica e compliance. O primeiro passo é escolher um caso de uso de alto volume e baixa ambiguidade, medir tempo de contorno e definir um baseline. Sem métrica, não há prova de valor.

Depois, vale estruturar um pipeline com dados anonimizados, revisão por especialistas e integração com PACS, TPS e prontuário eletrônico. Em muitos projetos, a diferença entre sucesso e fracasso está na usabilidade. Se o algoritmo exigir cliques demais, a equipe abandona. Se ele entrar no fluxo, vira rotina.

Checklist prático

1) selecionar um sítio anatômico prioritário; 2) validar o modelo em dados locais; 3) definir limiar de aceitação; 4) registrar correções humanas; 5) monitorar drift ao longo do tempo. Esse roteiro reduz risco e prepara o terreno para ampliar a radioterapia adaptativa para novos tumores e novas unidades.

Sobre o autor

pettrus

Editor IAIRON — Inteligência Artificial aplicada ao mercado brasileiro.