Introdução

As lesões pulmonares, frequentemente identificadas incidentalmente na imagem torácica ou durante o exame de sintomas respiratórios, representam um amplo espectro de patologias que vão desde infecções benignas até neoplasias malignas.A distinção entre lesões infecciosas e não infecciosas é uma pedra angular da radiologia torácica, influenciando diretamente as decisões clínicas, como a necessidade de terapia antimicrobiana, vigilância por imagem adicional ou biópsia tecidual.Enquanto a tomografia computadorizada (TC) e radiografia de tórax fornecem informações anatômicas detalhadas, as características de imagem sobrepostas de muitos processos infecciosos e não infecciosos podem levar à incerteza diagnóstica. O processamento de imagens e a análise assistida por computador surgiram como poderosos adjuvantes, permitindo a quantificação da morfologia, textura e padrões de realce da lesão que escapam ao olho humano.Ao alavancar técnicas computacionais avançadas, os radiologistas podem melhorar a acurácia diagnóstica, reduzir procedimentos invasivos desnecessários e acelerar o tratamento adequado. Este artigo explora o papel central do processamento de imagem em diferenciar as lesões pulmonares não infecciosas, detalhando as técnicas, características de imagem, aplicações clínicas e direções futuras.

Entender Lesões Pulmonares Infecciosas e Não Infecciosas

As lesões pulmonares são definidas como áreas focais de maior densidade ou opacidade no parênquima pulmonar, tipicamente visíveis na TC ou na radiografia, que surgem de diversas etiologias que, em geral, se enquadram em duas categorias: infecciosas e não infecciosas.

Lesões Infecciosas

As lesões pulmonares infecciosas são causadas por patógenos como bactérias, vírus, fungos e micobactérias. As pneumonias bacterianas frequentemente apresentam-se como consolidação lobar com broncogramas de ar, enquanto as pneumonias virais podem manifestar-se como opacidades em vidro fosco e envolvimento multilobar irregular. As infecções fúngicas, particularmente em pacientes imunocomprometidos, podem produzir lesões nodulares com halos de vidro fosco circundantes (o "sinal halo") ou cavitação. Tuberculose tipicamente apresenta nódulos apicais, opacidades em árvore e lesões cavitárias. Um desafio fundamental é que muitas lesões infecciosas podem imitar malignidade, especialmente quando apresentam nódulos pulmonares solitários (NPS).

Lesões Não Infecciosas

Causas não infecciosas incluem tumores pulmonares primários e metastáticos, neoplasias benignas, condições autoimunes (ex. sarcoidose, nódulos reumatoides) e processos inflamatórios como pneumonia organizadora ou fibrose pulmonar. Lesões malignas apresentam frequentemente margens irregulares ou espiculadas, lobulação, realce heterogêneo e crescimento ao longo do tempo. Lesões benignas não infecciosas, como hamartomas ou granulomas de infecção prévia, podem ter bordas bem definidas, calcificação ou densidade de gordura. Doenças pulmonares intersticiais podem produzir opacidades reticulares e favo-amor, em vez de lesões discretas. A diversidade de etiologias não infecciosas, combinada com a semelhança de suas aparências de imagem com processos infecciosos, ressalta a necessidade de análise de imagem avançada.

Técnicas de processamento de imagens para diferenciação de lesões

O processamento de imagens engloba um conjunto de métodos computacionais que potencializam, segmentam, quantificam e classificam anormalidades em imagens médicas, no contexto das lesões pulmonares, essas técnicas extraem características objetivas, reprodutíveis que auxiliam na distinção de origem infecciosa de origem não infecciosa.

Segmentação

A segmentação isola a lesão do parênquima pulmonar, vasos e parede torácica circundantes. Algoritmos semi-automáticos e totalmente automatizados (por exemplo, crescimento de regiões, conjuntos de níveis e redes neurais convolucionais) delimitam os limites da lesão, permitindo análise volumétrica e morfométrica. A segmentação precisa é crítica, pois características subsequentes, como tamanho, forma e textura, são derivadas da região segmentada. Por exemplo, lesões infecciosas muitas vezes têm margens mal definidas devido à inflamação circundante, enquanto malignidades não infecciosas podem ter limites mais irregulares. A segmentação também permite o cálculo de componentes sólidos e de vidro fosco, que são importantes na triagem do câncer de pulmão (por exemplo, categorias Lung-RADS).

Análise de textura e Radiomics

A análise de textura quantifica o arranjo espacial das intensidades de pixels dentro da lesão. Estatísticas de primeira ordem (média, variância, assimetria, curtose) descrevem o histograma geral, enquanto características de segunda ordem (por exemplo, matriz de co-ocorrência de nível cinza, GLCM) capturam padrões locais como contraste, homogeneidade e entropia. Características de ordem superior da análise wavelet ou fractal caracterizam ainda mais a heterogeneidade. A radimica expande a textura extraindo centenas para milhares de características quantitativas de intensidade, forma e domínios de textura. Estudos têm demonstrado que as assinaturas radiomicas podem diferenciar granulomas infecciosos de nódulos malignos com área sob a curva (AUC) valores superiores a 0,80. Por exemplo, as lesões infecciosas frequentemente exibem maior homogeneidade e menor entropia em comparação com adenocarcinomas invasivos, que tendem a ser mais heterogêneas.

Aprendizagem de máquina e aprendizagem profunda

Os classificadores de aprendizado de máquina (máquinas vetoriais de suporte, florestas aleatórias, XGBoost) são treinados em características radiomônicas para distinguir tipos de lesões.A aprendizagem profunda, particularmente redes neurais convolucionais (CNNs), pode aprender características discriminativas diretamente de patches de imagem, contornando engenharia de características explícitas. As CNNs demonstraram desempenho superior na classificação de nódulos pulmonares em TC, com alguns modelos que alcançam acurácia comparável aos radiologistas experientes.No entanto, modelos de aprendizagem profunda requerem grandes conjuntos de dados anotados e validação cuidadosa para evitar sobreajustamento. Exemplos incluem o uso de CNNs 2D e 3D em cortes de TC ou volumes inteiros, muitas vezes combinados com variáveis clínicas (por exemplo, idade, história de tabagismo, sintomas) para melhorar a diferenciação. Uma revisão sistemática de 2023 da inteligência artificial em TC de tórax constatou que modelos de aprendizagem profunda para diferenciar de lesões neoplásicas tiveram sensibilidades entre 85-95% e especificidades entre 80-92%.

Características de imagem chave que diferenciam as lesões infecciosas das não infecciosas

Algoritmos de processamento de imagens dependem de um conjunto de características de imagem que, quando quantificadas, ajudam a separar as duas categorias. Compreender essas características é essencial tanto para clínicos quanto desenvolvedores de algoritmos.

Características da lesão infecciosa

  • Consolidação e opacidades em vidro fosco (OGG): As pneumonias infecciosas causam frequentemente o enchimento do espaço aéreo, levando à consolidação densa com broncogramas de ar (bronquios cheios de ar cercados por pulmão opaco).Opacidades em vidro fosco (aumento da atenuação com margens brônquicas e vasculares preservadas) são comuns em pneumonias virais e atípicas.
  • Cavitação: A necrose dentro de uma lesão pode produzir cavidades. Em lesões infecciosas, as cavidades podem ter paredes espessas e irregulares (por exemplo, tuberculose, abscesso) ou paredes finas (por exemplo, infecção fúngica). A presença de níveis de fluídos de ar sugere infecção piogênica.
  • Padrão de árvore em brotamento: Nódulos centrilobulares com opacidades lineares ramificantes representando disseminação endobrônquica da infecção, altamente sugestivas de bronquiolite infecciosa (por exemplo, tuberculose, micoplasma).
  • Halo de vidro fosco perilesional: Opacidade de vidro fosco envolvendo um nódulo (sinal halo) é frequentemente visto com aspergilose invasiva e outras infecções fúngicas, mas também com metástases hemorrágicas e certos tumores primários.
  • Multiplicidade e distribuição: As lesões infecciosas aparecem frequentemente em múltiplos, com distribuição aleatória ou broncovascular. As lesões caviárias nos lobos superiores são clássicas para tuberculose, enquanto a predominância do lobo inferior sugere pneumonia bacteriana.

Características de Lesão Não Infecciosa

  • Margens e lobulação ilustradas: As bordas irregulares e em forma de estrela são marcas de lesões malignas devido à reação desmoplásica.A lobulação indica crescimento desigual.Lesões benignas não infecciosas (por exemplo, hamartoma) geralmente têm margens lisas e bem definidas.
  • Crescimento ao longo do tempo:] Lesões malignas normalmente aumentam em tamanho em imagens seriadas (volume duplicando o tempo 30-400 dias). As lesões infecciosas podem resolver ou mudar mais rapidamente com o tratamento, mas granulomas crônicos podem permanecer estáveis por anos.
  • Realce heterogêneo e necrose: Os tumores malignos frequentemente apresentam realce irregular, periférico com necrose central, mas tal necrose também pode ocorrer em infecções cavitárias. Gordura ou calcificação é fortemente sugestiva de lesões benignas não infecciosas (por exemplo, hamartoma com calcificação de pipoca).
  • Efeito massivo e invasão:] Malignidades não infecciosas podem causar distorção bronquiolo circundante, retração pleural ou invasão da parede torácica, enquanto infecções puras raramente produzem tais efeitos, a menos que complicadas por um abscesso.

Sobreposição e diagnósticos

Muitas características de imagem se sobrepõem significativamente. Por exemplo, um nódulo redondo, bem circunscrito com cavidade central pode ser um granuloma tuberculoso ou um carcinoma espinocelular. Nódulos de vidro fosco podem representar adenocarcinoma pulmonar (AIS, MIA) bem como organizar pneumonia ou pneumonia viral. Radiólogos dependem do contexto clínico (febre, tosse, imunocompetência) e imagens prévias para resolver essas ambiguidades. O processamento de imagem adiciona quantificação objetiva: entropia de lesão, dimensão fractal de margem e não-uniforme textura têm sido demonstrados para reduzir a taxa de falso-positivos no rastreamento de câncer de pulmão, identificando processos infecciosos hipermetabólicos que mimetizam o câncer. Modelos de aprendizado de máquina que incorporam características de imagem e dados clínicos podem sinalizar casos onde a probabilidade de infecção é alta, levando a um trabalho não invasivo (ex., culturas de escarro, sorologia) antes da biópsia.

Aplicações clínicas e impacto no gerenciamento do paciente

A integração do processamento de imagens em fluxos clínicos tem benefícios tangíveis para o cuidado do paciente. Em ambientes onde os recursos de radiologia intervencionista são limitados, a diferenciação não invasiva precisa pode prevenir biópsias desnecessárias e seus riscos associados (pneumotórax, hemorragia).Por outro lado, quando se suspeita de malignidade, detecção precoce e biópsia podem acelerar a ressecção cirúrgica ou terapia sistêmica.

Plataformas de software comerciais e de nível de pesquisa agora incorporam modelos radiomicos e de IA para classificação de nódulos pulmonares.Por exemplo, o uso de um modelo radiomódico baseado em TC validado para diferenciar granulomas tuberculosos de câncer de pulmão em estágio inicial pode reduzir os encaminhamentos falso-positivos em até 43% nas regiões de tuberculose-endêmica.Na pandemia de COVID-19, foram desenvolvidas ferramentas de processamento de imagem para distinguir pneumonias virais de outras causas de GGOs, auxiliando na triagem e decisões de isolamento.Modelos de aprendizagem profunda treinados em exames de tomografia de emergência podem identificar pneumonia COVID-19 com AUCs de 0,90-0,95, ajudando a alocação de recursos de testes PCR.

Outro aplicativo chave é o rastreamento do câncer. Programas de rastreamento de câncer de pulmão de baixa dose de TC geram muitos nódulos incidentais, a maioria dos quais benignos (granulomas infecciosos, linfonodos intrapulmonares, etc.). Algoritmos de processamento de imagem incorporados no fluxo de trabalho de rastreamento podem caracterizar automaticamente cada nódulo e atribuir uma probabilidade de malignidade.O modelo de IA de TC de pulmão desenvolvido por van Riel et al. mostrou que adicionar características de textura ao modelo da Universidade de Brock melhorou significativamente a especificidade sem sacrificar a sensibilidade. Da mesma forma, o estudo de Choi et al. demonstrou que um sistema de CAD de aprendizagem profunda reduziu a taxa de biópsia benigna em 30% em uma coorte de triagem. Esses resultados destacam o potencial de processamento de imagem para reduzir a carga e os custos de cuidados de saúde.

Desafios e orientações futuras

Apesar de sua promessa, o processamento de imagem para diferenciação de lesões pulmonares enfrenta vários obstáculos. Primeiro, a falta de conjuntos de dados padronizados e anotados para treinamento e validação em diferentes populações e tipos de scanners pode levar à degradação do modelo quando implantados em novas instituições. O deslocamento de domínio devido às diferenças nos núcleos de reconstrução, espessuras de corte e dose de radiação deve ser contabilizado com técnicas como adaptação de domínio não supervisionado. Segundo, muitas características radiológicas são sensíveis às variações de segmentação; variabilidade inter-observador na delineação de lesões pode produzir diferentes valores de características.

Em terceiro lugar, a explicação continua sendo um desafio. Modelos de aprendizagem profunda muitas vezes funcionam como "caixas negras", tornando difícil para os clínicos confiarem em seus resultados. Esforços estão em andamento para gerar mapas de saliência e explicações baseadas em atenção que destacam as regiões de imagem que conduzem a classificação. Depuração regulatória (FDA, marcação CE) para tais algoritmos ainda está evoluindo, e apenas alguns sistemas de IA obtiveram aprovação para detecção ou caracterização de nódulo pulmonar. Em quarto lugar, a utilidade clínica de muitas assinaturas radiológicas não foi validada em ensaios prospectivos. A maioria dos estudos são retrospectivos e podem sofrer viés de seleção. Grandes estudos prospectivos multicêntricos são necessários para demonstrar que a integração do processamento de imagem realmente melhora os resultados do paciente (por exemplo, reduzindo o tempo para terapia adequada, diminuindo as taxas de complicações).

As direções futuras incluem a fusão de dados multimodais: combinando características da imagem de TC com variáveis clínicas, marcadores laboratoriais (por exemplo, procalcitonina, PCR, hemograma completo) e mesmo dados genómicos para biópsia líquida. Modelos multidimensionais podem capturar a complexa interação entre resposta do hospedeiro e biologia da lesão. Além disso, a incorporação de imagens em série (análise temporal) permite o rastreamento de alterações de lesão em curtos intervalos, o que é particularmente útil para diferenciar a infecção de resolução de neoplasias crescentes. Avanços nas redes de geração de avessária (GANs) também podem permitir o aumento de dados sintéticos para melhorar a robustez do modelo em tipos de lesões raras. Finalmente, o ultra-som ponto de cuidado combinado com processamento de imagens de IA pode trazer esta tecnologia para ambientes limitados por recursos, onde a carga diagnóstica de doenças pulmonares infecciosas é maior.

Conclusão

O processamento de imagens tornou-se uma ferramenta indispensável no arsenal do radiologista para diferenciar as lesões infecciosas das não infecciosas pulmonares, por meio da segmentação, análise de textura, análise de imagens e aprendizado de máquina, biomarcadores quantitativos de imagem podem descobrir diferenças sutis na morfologia, heterogeneidade e aprimoramento que não são percebidas de forma confiável pelo olho humano, e que, com a continuidade da IA e do processamento de imagens, melhoram a acurácia diagnóstica, reduzem biópsias desnecessárias e apoiam a tomada de decisões clínicas oportunas.Enquanto os desafios relacionados à padronização, generalização e validação clínica permanecem, pesquisas e colaborações multicêntricas ainda prometem aperfeiçoar esses métodos. À medida que a IA e o processamento de imagens continuam evoluindo, sua integração na prática radiológica de rotina aumentará ainda mais nossa capacidade de distinguir entre as muitas faces da patologia pulmonar, beneficiando o manejo e os resultados dos pacientes.