Introdução: A Importância Clínica da Análise de DEXA

A absorciometria de raios X de dupla energia (DEXA ou DXA) continua a ser a modalidade de imagem padrão ouro para medir a densidade mineral óssea (DMO) e diagnosticar a osteoporose. Um exame de raios X dexá utiliza dois níveis de energia diferentes para isolar e quantificar ossos e tecidos moles, fornecendo escores T que comparam a DMO de um paciente a uma população de referência jovem e adulta saudável. A Organização Mundial de Saúde tem recomendado DEXA como principal ferramenta para avaliação de risco de fratura, mas sua interpretação tradicionalmente tem baseado em leitura manual, intensiva por radiologistas treinados ou densitometristas. Este passo manual introduz variabilidade dependente do operador e pode atrasar os resultados do paciente em configurações de alto volume.

Nos últimos anos, inteligência artificial (AI) e aprendizado de máquina começaram a transformar como os exames DEXA são processados e analisados. Ao automatizar as tarefas de segmentação, extração de recursos e classificação, a IA promete oferecer avaliações de DMO mais rápidas, consistentes e acessíveis. Este artigo explora as principais técnicas de IA que estão sendo aplicadas à análise DEXA, as evidências que suportam seu uso, os obstáculos que permanecem e o que o futuro pode ter para a avaliação da densidade óssea.

O papel do DEXA no diagnóstico da osteoporose

A osteoporose é uma doença esquelética sistêmica caracterizada por baixa massa óssea e deterioração microarquitetônica, levando ao risco aumentado de fratura. É uma epidemia silenciosa – muitas vezes não diagnosticada até que ocorra uma fratura. A varredura DEXA é central tanto para diagnóstico quanto para monitoramento. A Sociedade Internacional de Densitometria Clínica (CDI) estabeleceu protocolos padronizados para medir a coluna lombar, fêmur proximal e outros locais. Um escore T de −2,5 ou inferior em qualquer um desses locais confirma osteoporose, enquanto escores entre −1,0 e −2,5 indicam osteopenia (baixa massa óssea).

Apesar de seu uso generalizado, a interpretação do DEXA não é trivial. Artefatos de alterações degenerativas, cirurgias prévias, calcificações vasculares ou erros de posicionamento podem confundir resultados. Além disso, a identificação manual de regiões de interesse (ROI) – como os limites exatos das vértebras L1-L4 ou do colo femoral – requer consistência em exames de seguimento para garantir uma comparação significativa. Esses desafios criam uma oportunidade natural para que a IA melhore a precisão e a eficiência do fluxo de trabalho.

Como a inteligência artificial melhora a análise DEXA

Métodos baseados em IA, particularmente de aprendizagem profunda, se destacam no reconhecimento de padrões em imagens médicas. Para os exames DEXA, as principais tarefas que se beneficiam da automação incluem:

  • Segmentação automatizado da região de interesse (ROI) – delineando precisamente os corpos vertebrais, o colo femoral, o quadril total e outros sítios esqueléticos.
  • Estimativa da densidade óssea – calculando a DMO areal a partir de valores de atenuação de nível de pixels sem calibração manual.
  • Detecção de fraturas – Fraturas vertebrais sinalizadoras (avaliação de fraturas vertebrais, VFA) que podem não ser observadas na comunicação de DMO de rotina.
  • Avaliação da qualidade da imagem – identificação de artefatos de movimento, posicionamento incorreto ou outras questões técnicas que possam comprometer a validade da varredura.

Estas tarefas estão ligadas: a má segmentação leva a valores de DMO imprecisos, enquanto uma varredura de baixa qualidade pode produzir resultados falso-negativos ou falso-positivos. Os modelos de IA podem ser treinados ponta a ponta para lidar com todas estas etapas, fornecendo um pipeline completo da imagem de DEXA crua para um relatório clinicamente utilizável.

Arquiteturas de aprendizagem profunda para DEXA

A maioria dos estudos recentes emprega redes neurais convolucionais (CNNs), o cavalo de trabalho da visão computacional, adaptado para imagens médicas. Uma CNN consiste em múltiplas camadas convolucionais que aprendem características hierárquicas – começando de bordas e texturas de baixo nível para formas de alto nível e estruturas anatômicas. Para DEXA, as CNNs são tipicamente usadas em um framework U-Net para segmentação semântica e em espinhas de ResNet ou DensenseNet para classificação de categorias de DMO ou risco de fratura.

A aprendizagem de transferência é amplamente adotada porque os conjuntos de dados de imagem médica são muitas vezes limitados. Modelos pré-treinados de grandes bases de dados de imagens naturais (por exemplo, ImageNet) são bem ajustados em imagens DEXA, reduzindo drasticamente os dados de treinamento necessários e o tempo de cálculo, mantendo a alta precisão. Um estudo publicado em Radiologia: Inteligência Artificial mostrou que uma CNN adquirida com transferência poderia segmentar vértebras lombares com um coeficiente de dice de 0,94, aproximando-se da concordância interobservador entre radiologistas experientes (Hemke et al., 2020)].

Segmentação automatizada da coluna lombar e do fêmur proximal

A colocação precisa de ROI é fundamental porque a DMO é calculada como a densidade média dentro de uma área definida. Na coluna lombar, o operador deve selecionar corpos vertebrais individuais L1-L4, evitando processos transversais e o canal espinhal. Modelos de segmentação de IA treinados em milhares de exames DEXA anotados com precisão milimétrica podem agora alcançar isso com precisão. Uma revisão sistemática de 2022 em Osteoporosis International relatou que a segmentação profunda do quadril e da coluna consistentemente superou o contorno manual em ambas as velocidades (sub-segundo vs. minutos) e repetibilidade (Graziani et al., 2022].

A segmentação automatizada também permite consistência longitudinal: A IA pode alinhar automaticamente os exames de seguimento aos ROIs basais, minimizando a deriva que pode obscurecer verdadeiras alterações da DMO ou criar tendências falsas. Isto é particularmente valioso para monitorar pacientes em terapia de osteoporose, onde pequenas alterações anuais (0,5–2%) precisam ser distinguidas do erro de medição.

Técnicas chave de IA na avaliação da densidade óssea

Redes Neurais Convolucionais (CNN)

As CNNs formam a espinha dorsal da maioria dos gasodutos de IA DEXA. Podem ser configuradas para classificação (por exemplo, osteoporose vs osteopenia vs. normal), regressão (prevendo T-score) ou segmentação. Os avanços recentes incluem mecanismos de atenção que permitem que a rede se concentre nas regiões mais informativas, e métodos de ensemble que combinam múltiplos modelos para reduzir a variância. Um exemplo notável é o uso de uma 3D-CNN em dados de DMO volumétrico derivados de DEXA, que responde por informações de profundidade não disponíveis no padrão 2D DEXA, potencialmente melhorando a predição de fratura.

Avaliação automática da fratura vertebral (APV)

Vertebral fractures are a frequent but often undiagnosed consequence of osteoporosis. DEXA systems can perform lateral spine imaging (VFA) to identify compression fractures. AI algorithms have been developed to classify vertebrae as normal or fractured using deep learning. One multi‑center study using a ResNet‑50 model achieved an area under the receiver operating characteristic curve (AUC) of 0.96 for moderate‑to‑severe fractures, matching expert radiologists (Tang et al., 2021). This capability is being integrated into commercial DEXA platforms, enabling opportunistic screening without additional imaging time.

Transferência de Aprendizagem e Aumento de Dados

Como os conjuntos de dados DEXA são relativamente pequenos (muitas centenas a alguns milhares de imagens), a aprendizagem de transferência é essencial. Modelos pré-treinados em imagens naturais aprendem características genéricas como bordas e texturas, que podem ser reaproveitadas para imagens médicas. O aumento de dados – aplicando rotações aleatórias, escalas, deformações elásticas e alterações de contraste – amplia ainda mais o tamanho efetivo do treinamento e melhora a generalização. Essas técnicas possibilitaram alcançar desempenho clínico, mesmo com dados de treinamento limitados, reduzindo a barreira à entrada para grupos de pesquisa e clínicas menores.

Aprendizagem despreocupada e semi-supervisionada

Segmentação totalmente supervisionada requer anotação de pixels, que é trabalho-intensiva para obter de radiologistas. Métodos supervisionados fracamente usam apenas etiquetas de imagem (por exemplo, “osteoporose presente”) para treinar modelos que ainda podem localizar regiões de interesse. A aprendizagem semi-supervisionada alavanca um pequeno conjunto de imagens marcadas combinadas com um grande pool não marcado, que é comum nos arquivos PACS do mundo real. Essas abordagens prometem escalar o desenvolvimento de IA sem custos proporcionais de anotação.

Vantagens da análise DEXA assistida por IA

  • Velocidade e rendimento: Um pipeline típico de IA pode processar um exame DEXA em menos de um segundo, em comparação com os dois a cinco minutos necessários para colocação manual de ROI e controle de qualidade.Para grandes sistemas de saúde realizando milhares de exames mensais, isso se traduz em economia operacional significativa e relatório de mudança mais rápida.
  • Consistência e reprodutibilidade: A colocação manual de ROI está sujeita à variabilidade intra e interoperador. A IA produz resultados idênticos para a mesma entrada de cada vez, eliminando o ruído dependente do operador que pode obscurecer as verdadeiras alterações da DMO. Isto melhora a precisão da monitorização longitudinal.
  • Reduced Operator Training Burden: Os tecnólogos Dexa hábeis estão em falta, especialmente em áreas rurais e carentes. A automação de IA permite que o pessoal menos experiente adquira scans, com o sistema a lidar com as etapas analíticas que anteriormente exigiam treinamento avançado.
  • Detecção precoce de Achados Incidentais: A IA pode sinalizar fraturas vertebrais, calcificações da aorta abdominal e outros achados incidentais nas imagens de DEXA, podendo levar ao diagnóstico mais precoce de comorbidades.
  • Escalabilidade para a Triagem da População: Com IA, a triagem oportunista utilizando os exames DEXA existentes torna-se viável. Por exemplo, um estudo utilizando um modelo de aprendizagem profunda em mais de 10.000 exames DEXA de uma base de dados comunitária descobriu que a IA poderia reclassificar escores T para identificar 30% mais casos de osteoporose do que os relatórios clínicos originais (que tinham taxas mais elevadas de erro do operador) (Liao et al., 2022).

Aplicações Clínicas e Evidências Atuais

A análise DEXA baseada em IA passou de laboratórios de pesquisa para produtos comerciais. Vários fornecedores agora oferecem software melhorado em IA para cálculo totalmente automatizado de DMO e VFA. Um estudo prospectivo multicêntrico na Europa e América do Norte validou que um algoritmo de IA teve desempenho diagnóstico não inferior em comparação com um consenso de dois leitores especialistas, com uma diferença de pontuação T inferior a 0,1 desvio padrão. O algoritmo manteve o desempenho em diferentes modelos de scanner DEXA (Hologic, GE Lunar) e habitus corporal paciente.

No Reino Unido, o National Institute for Health and Care Excellence (NICE) incluiu a análise de DEXA assistida por IA em avaliações de valor precoces para risco de fratura de osteoporose. A adoção clínica está aumentando, embora muitos hospitais ainda usem IA como segundo leitor, comparando resultados automatizados com leituras manuais antes de se estabelecer total confiança.

A pesquisa continua avaliando a capacidade da IA em predizer futuras fraturas diretamente de imagens de DEXA, potencialmente incorporando características de textura e microarquitetura óssea além da simples DMO. Um estudo recente em JAMA Network Open mostrou que um modelo de aprendizagem profunda utilizando imagens de DEXA de quadril isoladamente poderia predizer risco de fratura de quadril com uma AUC de 0,82, superando os escores tradicionais de FRAX (AUC 0,74) quando as variáveis clínicas foram adicionadas (Holzer et al., 2023)].

Desafios à adoção clínica

Apesar das vantagens claras, vários obstáculos devem ser superados antes que a análise DEXA baseada em IA se torne rotina.

  • Qualidade e representação dos dados: A maioria dos modelos de IA foram treinados em exames de DEXA de alta qualidade de ambientes de pesquisa bem controlados. Os exames do mundo real muitas vezes contêm artefatos de movimento do paciente, obesidade, implantes espinhais ou meios de contraste. Um modelo treinado em dados intocados pode generalizar-se mal. Conjuntos de dados multicêntricos e multivendores são necessários para garantir robustez.
  • Inpretabilidade e confiança: Os modelos de aprendizagem profunda são muitas vezes “caixas negras”. Radiólogos hesitam em confiar em um sistema que não pode explicar por que ele marcou uma vértebra específica como osteoporótica. Técnicas de explicação (por exemplo, mapas de ativação de classe, máscaras de saliência) estão melhorando, mas a aceitação regulamentar requer evidência clara de segurança e eficácia.
  • Panorâmica regulamentar e jurídica: O software de IA que influencia as decisões clínicas deve ser submetido a uma aprovação rigorosa por organismos como o FDA (Estados Unidos), a marcação CE (Europa) ou o MHRA (UK).A classificação de IA como dispositivo médico significa que atualizações ou retreinamento podem exigir uma nova aprovação, retardando melhorias iterativas.
  • Integração com fluxo de trabalho existente: Muitos scanners DEXA operam em PACS legados ou software proprietário. Integrar saídas de IA em relatórios de radiologia sem interromper o fluxo clínico requer APIs robustas e suporte de TI. Alguns hospitais tiveram que redesenhar modelos de relatórios para incluir valores gerados por IA ao lado de leituras humanas.
  • Equidade e viés:] Se os conjuntos de dados de treinamento não representam adequadamente populações diversas (por etnia, idade, habitus corporal), a IA pode se apresentar pior para grupos sub-representados, exacerbando as disparidades de saúde. Esforços estão em andamento para coletar conjuntos de dados equilibrados, mas a literatura atual mostra que a maioria das coortes de treinamento são predominantemente brancas, femininas e de países de alta renda.

Instruções futuras

Integração com Dados Multimodais

A próxima fronteira é integrar os resultados derivados de IA do DEXA com outros dados clínicos: biomarcadores séricos (vitamina D, PTH, marcadores de turnover ósseo), genética e imagens de outras modalidades (TC quantitativa, QCT periférico de alta resolução). Um modelo de previsão de risco holístico que funde a textura óssea extraída de IA com variáveis clínicas poderia superar os escores de risco atuais baseados em FRAX.

Interpretação DEXA totalmente automatizada

Sistemas de IA de ponta a ponta que gerenciam a aquisição de imagens controle de qualidade, segmentação, cálculo de DMO, avaliação de fraturas e geração de relatórios já estão em estágios protótipos. Alguns sistemas incluem até mesmo a geração de linguagem natural (NLG) para produzir texto de impressão narrativa. Se validados, estes podem reduzir o papel do radiologista para supervisão e manipulação de exceções, aumentando drasticamente a capacidade.

Triagem oportunista usando escaneamentos não-DEXA

A IA também está a permitir a avaliação da densidade óssea “oportunista” a partir de exames de TC de rotina (por exemplo, TC abdominal ou torácica) por extrapolação dos valores de atenuação óssea. Embora não substitua o DEXA, esta abordagem poderia identificar a osteoporose previamente não suspeitada em doentes submetidos a TC para outras indicações, potencialmente duplicando a taxa de detecção em determinadas populações.

Aprendizagem contínua e Aprendizagem federada

Para manter os modelos de IA atualizados com novos modelos de scanner e dados demográficos de pacientes, algoritmos de aprendizagem contínua que se adaptam sem reciclagem completa estão sendo desenvolvidos.A aprendizagem federada permite que várias instituições colaborem na melhoria do modelo sem compartilhar dados sensíveis do paciente, abordando preocupações de privacidade, enquanto amplia a diversidade de conjuntos de dados.

Conclusão

As técnicas baseadas em IA estão rapidamente amadurecendo desde ferramentas experimentais até sistemas integrados clinicamente para análise de varredura DEXA. Ao automatizar a segmentação, medição de densidade e detecção de fraturas, esses métodos oferecem melhorias tangíveis na velocidade, consistência e acessibilidade. Evidências iniciais sugerem que a IA pode corresponder ou exceder o desempenho manual em configurações controladas, com o benefício adicional de flaging incidental e permitir precisão longitudinal. No entanto, a aceitação clínica total exigirá estudos de validação maiores, mais diversos, interpretabilidade de modelo transparente e integração de fluxo de trabalho sem descontinuidades. À medida que os quadros regulatórios evoluem e a confiança se constrói, a IA está pronta a se tornar um parceiro indispensável no diagnóstico e gerenciamento da osteoporose, melhorando finalmente os resultados para milhões de pacientes em todo o mundo.