Radioterapia adaptativa em oncologia: U-Net e métricas

Radioterapia adaptativa já saiu da zona experimental e entrou no centro da discussão em oncologia de precisão. O princípio é direto: usar novas imagens do paciente, durante o tratamento, para ajustar contornos, volumes-alvo e dose quando anatomia, tumor ou órgãos de risco mudam.

O ganho clínico vem da combinação entre U-Net, registro deformável, controle de qualidade e métricas que medem não só sobreposição geométrica, mas também cobertura de dose. Em protocolos modernos, a decisão precisa caber em uma janela de minutos a poucas horas, sem perder rastreabilidade nem segurança.

O que é radioterapia adaptativa e por que ela ganhou espaço

A radioterapia adaptativa ajusta o plano ao longo do tratamento para compensar mudanças anatômicas reais. Isso inclui perda de peso, deslocamento de tumor, variação de bexiga e reto, edema e até regressão tumoral mensurável em imagens seriadas.

Em séries clínicas, essas mudanças podem alterar significativamente a distribuição de dose em poucas frações. Em tumores de cabeça e pescoço, por exemplo, o volume de parótidas e a posição do alvo podem variar o suficiente para justificar replanejamento intermediário.

Onde a técnica entra no fluxo

O ponto de entrada costuma ser a imagem diária: CBCT, CT de verificação ou MRI online. A partir daí, o sistema segmenta estruturas, compara com o plano inicial e sinaliza se a dose planejada ainda atende aos critérios de cobertura e tolerância.

Um dado prático: em centros com workflow maduro, a revisão adaptativa pode reduzir o tempo entre aquisição da imagem e nova decisão clínica para menos de 30 minutos em cenários selecionados.

U-Net na segmentação médica: arquitetura, vantagens e limites

A U-Net é uma CNN encoder-decoder com conexões de atalho que preservam detalhes espaciais. O encoder extrai contexto; o decoder reconstrói a máscara; os skip connections reduzem perda de informação em bordas finas, algo crítico para contornos de órgãos e lesões.

Na prática, a U-Net ainda domina a segmentação médica porque entrega bom equilíbrio entre acurácia e custo computacional. Em radioterapia adaptativa, esse equilíbrio vale mais do que arquiteturas mais pesadas, que podem atrasar a decisão clínica.

Variações usadas em oncologia

É comum ver 3D U-Net para volumes tomográficos, U-Net residual para estabilidade de treinamento e attention U-Net para focar regiões pequenas. Em MRI, modelos híbridos com Transformers aparecem, mas a U-Net segue forte quando a prioridade é inferência rápida e interpretabilidade operacional.

Um exemplo concreto: em segmentação de órgãos de risco em cabeça e pescoço, a U-Net 3D costuma ser treinada com patches volumétricos para caber na GPU e preservar contexto anatômico. Isso melhora contornos em estruturas pequenas, onde um erro de 2 a 3 mm já altera o DVH.

Na radioterapia adaptativa, uma boa segmentação não basta; o que importa é se a dose final continua cobrindo o alvo com segurança.

Para referência técnica, vale consultar a arquitetura original em U-Net: Convolutional Networks for Biomedical Image Segmentation.

Pipeline clínico: da imagem diária ao novo plano

O pipeline da radioterapia adaptativa costuma seguir cinco etapas: aquisição de imagem, pré-processamento, segmentação automática, validação humana e recalculação do plano. O desenho parece simples, mas cada etapa carrega risco clínico e técnico.

1. Aquisição e pré-processamento

A imagem diária precisa ser padronizada. Em CBCT, artefatos de dispersão e contraste inferior exigem correção, normalização e, às vezes, registro com a CT de planejamento. Sem isso, a rede aprende ruído e perde robustez.

2. Segmentação e registro

A U-Net gera máscaras de alvo e órgãos de risco. Em seguida, o registro deformável alinha a anatomia do dia com a anatomia de referência. Esse passo é decisivo para comparar volumes e estimar dose acumulada.

3. Revisão e replanejamento

O oncologista e o físico médico validam contornos e métricas de dose. Se a cobertura do PTV cair abaixo do limiar ou um órgão de risco ultrapassar constraints, o sistema dispara replanejamento. Em muitos serviços, o gatilho é uma combinação de DVH, deslocamento anatômico e confiança da segmentação.

Para contexto regulatório e clínico, a ESTRO e a AAPM publicam diretrizes úteis sobre qualidade, validação e implementação de IA em radioterapia.

Métricas-chave: o que medir além do Dice

O Dice coefficient ainda é a métrica mais citada para segmentação, mas ele não fecha a conta sozinho. Dois contornos podem ter Dice alto e, mesmo assim, falhar em bordas críticas próximas a medula, tronco cerebral ou cordão.

Métricas geométricas

HD95 mede a distância de Hausdorff no percentil 95 e captura outliers de borda. ASSD avalia a distância média entre superfícies e é mais sensível a erros persistentes. Em estruturas pequenas, essas métricas costumam ser mais informativas que o Dice puro.

Métricas de dose

Na radioterapia adaptativa, a validação final deve olhar DVH, D95, V95, Dmean e Dmax. Se a máscara melhora, mas a dose não cobre o alvo ou excede o órgão de risco, o modelo falhou do ponto de vista clínico.

Um exemplo prático: uma segmentação de parótida com Dice de 0,90 pode ainda gerar diferença relevante de Dmean se a borda medial estiver deslocada poucos milímetros. Em oncologia, esses milímetros valem muito.

A U-Net virou padrão porque entrega precisão suficiente e latência compatível com a rotina clínica.

Para revisão de conceitos de dose-volume, a PubMed Central reúne estudos comparando métricas geométricas e clínicas em radioterapia.

Validação, generalização e riscos de implementação

O maior desafio da radioterapia adaptativa não é treinar a rede; é fazê-la funcionar fora do dataset de origem. Scanner, protocolo, contraste, espessura de corte e população mudam entre hospitais e derrubam performance se o modelo não foi exposto a diversidade suficiente.

Generalização multi-institucional

Treino com dados de múltiplos centros, augmentation física e validação externa são essenciais. Em geral, modelos validados só internamente superestimam performance. Já testes externos revelam queda realista de 5 a 15 pontos percentuais em Dice em cenários heterogêneos.

Segurança e governança

O fluxo clínico precisa de logs, versionamento de modelo e revisão humana obrigatória. Em oncologia, um erro de contorno não é apenas métrica ruim; pode significar subtratamento tumoral ou toxicidade desnecessária. Por isso, a IA atua como copiloto, não como decisão autônoma.

Para acompanhar boas práticas em IA médica, vale ler também as recomendações do FDA sobre software médico com IA e aprendizado de máquina.

O que vem ganhando força: 3D, multi-modal e modelos mais leves

A próxima onda da radioterapia adaptativa combina CT, CBCT e MRI em pipelines multi-modais. A ideia é aproveitar contraste anatômico complementar para segmentar melhor tumor e órgãos de risco, especialmente em pelve e cabeça e pescoço.

Ao mesmo tempo, cresce a pressão por modelos mais leves. Quantização, pruning e inferência otimizada em GPU clínica reduzem latência e tornam o uso diário viável. Em alguns fluxos, a meta é gerar contornos em menos de 60 segundos por volume.

Exemplo de uso realista

Em um caso de próstata, a rede pode segmentar bexiga, reto e próstata em CBCT, o físico valida as máscaras, o sistema recalcula a dose e decide se a fração segue ou se o plano precisa ser adaptado. Essa decisão, antes manual e morosa, passa a ser suportada por uma cadeia automatizada e auditável.

O ponto central é este: radioterapia adaptativa não depende de um único modelo, mas de um ecossistema de IA, física médica e governança clínica.

Sobre o autor

pettrus

Editor IAIRON — Inteligência Artificial aplicada ao mercado brasileiro.