Uma equipe internacional de pesquisadores, em uma revisão abrangente, descreveu a combinação da imagem de autofluorescência (AF) com métodos de deep learning como uma abordagem promissora para a detecção precoce e sem marcadores de doenças. A integração permite visualizar alterações metabólicas e microestruturais no tecido muito antes que as alterações morfológicas clássicas ocorram. O artigo de revisão foi publicado na revista científica Frontiers in Artificial Intelligence.
Contexto
Muitas doenças, incluindo lesões pré-cancerosas, complicações do diabetes e inflamações crônicas, começam com alterações bioquímicas e metabólicas nos tecidos. Essas alterações precoces muitas vezes ainda não são visíveis com métodos de imagem convencionais. A imagem de autofluorescência utiliza a fluorescência natural de moléculas endógenas (por exemplo, NADH, FAD, colágeno, lipofuscina) para obter informações metabólicas e estruturais sem corantes ou meios de contraste. Algoritmos de deep learning podem analisar esses sinais ópticos complexos e reconhecer padrões que permanecem ocultos ao olho humano.
Base tecnológica
A autofluorescência é gerada por fluoróforos endógenos que fornecem informações sobre o metabolismo celular, o status redox, a função mitocondrial e a composição da matriz extracelular. Particularmente informativos são os cofatores redox NADH e FAD, bem como proteínas estruturais como colágeno e elastina.
Modelos de deep learning (principalmente Redes Neurais Convolucionais e arquiteturas Transformer) são usados para extrair informações clinicamente relevantes de dados de AF hiperespectrais, resolvidos no tempo (FLIM) ou multiespectrais. A combinação de ambas as tecnologias permite uma imagem funcional baseada em bioquímica em vez de diagnóstico puramente morfológico.
Aplicações clínicas
A combinação AF-DL já está sendo investigada em várias áreas especializadas:
- Oftalmologia: Autoflurescência de fundo (FAF) em combinação com DL para classificação de doenças hereditárias da retina e para prever a progressão da atrofia geográfica na degeneração macular relacionada à idade.
- Otorrinolaringologia e Cirurgia da Tireoide: Autoflurescência no infravermelho próximo para identificação intraoperatória de paratireoides com alta precisão.
- Pulmão: Broncoscopia com autofluorescência para detecção aprimorada de carcinomas em estágio inicial e pré-cancerosos.
- Trato digestivo: Detecção de esôfago de Barrett, pólipos colorretais e doenças inflamatórias intestinais.
- Urologia: Avaliação não invasiva de doenças renais através de células autofluorescentes na urina, bem como detecção aprimorada de câncer de bexiga.
- Dermatologia: Diferenciação entre melanomas e pintas, além de medição de Produtos de Glicação Avançada (AGEs) como marcadores de estresse metabólico.
Em vários estudos, a combinação de AF e Deep Learning melhorou significativamente a precisão diagnóstica em comparação com a autofluorescência pura ou a imagem de luz branca.
Desafios
Apesar dos resultados promissores, ainda existem obstáculos significativos:
- Forte dependência dos sinais do tipo de dispositivo, iluminação e óptica do tecido
- Heterogeneidade dos conjuntos de dados e falta de padronização
- Generalização limitada dos modelos para outros centros
- Alto esforço de anotação e interpretabilidade dos modelos de IA
- Questões regulatórias e de fluxo de trabalho para aplicações em tempo real em salas de cirurgia ou endoscopia
Perspectiva
Os autores veem o futuro no desenvolvimento de sistemas multidimensionais e independentes de hardware que combinam informações espectrais, temporais e espaciais. Próximos passos importantes incluem protocolos de aquisição padronizados, estudos multicêntricos prospectivos e integração perfeita em fluxos de trabalho clínicos. A longo prazo, a combinação AF-DL pode levar a uma nova classe de biomarcadores de imagem funcional que permitem diagnósticos mais precoces, mais precisos e menos invasivos.
FAQ
O que é Imagem de Autofluorescência?
Um método sem marcadores que utiliza a fluorescência natural de moléculas endógenas (por exemplo, NADH, FAD, colágeno) para visualizar alterações metabólicas e estruturais nos tecidos.
Por que o Deep Learning é necessário?
Os sinais de autofluorescência são complexos e se sobrepõem. Modelos de IA podem reconhecer padrões sutis que são difíceis ou impossíveis de interpretar com métodos de análise convencionais.
Em quais áreas a técnica já está sendo usada?
Aplicações em oftalmologia, cirurgia da tireoide e paratireoide, bem como na detecção precoce endoscópica de tumores na região da cabeça e pescoço e no intestino, estão particularmente avançadas.
Quais são os benefícios da combinação?
Detecção precoce de alterações, melhor diferenciação entre lesões benignas e malignas, auxílio na navegação intraoperatória e potencial redução de biópsias desnecessárias.
Quando se espera um uso clínico generalizado?
Algumas aplicações (por exemplo, identificação de paratireoides) já estão em uso em centros especializados. No entanto, para muitas outras indicações, estudos prospectivos maiores e padronizações ainda são necessários.
