Uma equipe multidisciplinar, unindo os conhecimentos da Física, da Oncologia e da Nutrição, desenvolveu um modelo matemático inédito baseado em Inteligência Artificial (IA) nos laboratórios da Universidade Estadual de Campinas (Unicamp). É um programa de computador capaz de mapear em detalhes a composição corporal de pacientes oncológicos em menos de um minuto, podendo auxiliar a prática clínica e a medicina de precisão ao oferecer prognósticos mais exatos e direcionamentos terapêuticos personalizados.
A ideia nasceu da necessidade de otimizar a interpretação de exames de tomografia computadorizada (CT), que são ferramentas fundamentais no acompanhamento de pacientes oncológicos. Até o desenvolvimento do programa, mapear os tecidos do corpo humano nessas imagens radiológicas era uma tarefa demorada e totalmente manual para os pesquisadores.
O Dr. Jun Takahashi, físico nuclear, professor titular do Instituto de Física Gleb Wataghin (IFGW) da Unicamp e pesquisador associado ao CEPID CancerThera, relata que a avaliação manual realizada pela equipe médica com quem colaborou no projeto de desenvolvimento do programa levava de 30 a 60 minutos para concluir a análise de cada imagem. Além de esbarrar na lentidão, o método tradicional estava sujeito a grandes variações. A precisão da leitura dependia, por exemplo, do nível de cansaço do profissional, do horário do dia ou do grau de atenção no momento da interpretação das imagens.
“Se considerasse o tempo que os pesquisadores levam para realizar as análises manualmente, seriam necessários dois anos para entregar os dados”, relembra o físico sobre o momento em que uma equipe de Oncologia parceira de seu laboratório solicitou a avaliação de um grande banco de imagens, que continha cerca de 500 unidades. Diante do gargalo científico e clínico, os pesquisadores decidiram criar uma solução automatizada para suprir a demanda.
O programa de computador ainda não está disponível para a população e depende do interesse no licenciamento por parte de empresas do setor de saúde para chegar ao mercado. No momento, está em uso apenas em ambiente de pesquisa.
Como funciona o programa
O programa atua em um processo chamado “segmentação de imagens”. Quando um paciente realiza uma CT, a imagem final gerada pelo equipamento exibe ossos, vísceras, músculos e gordura, todos misturados em uma complexa escala de tons de cinza. O programa de computador com IA desenvolvido por Takahashi e sua equipe varre essa imagem e cria uma máscara digital, separando e colorindo cada tipo de tecido de forma autônoma e precisa.
O que diferencia o código desenvolvido pelo pesquisador do de outros modelos genéricos disponíveis na internet é a sua rara capacidade de identificar e separar minuciosamente o tecido muscular e três tipos específicos de gordura: o sistema distingue o tecido adiposo subcutâneo (a gordura logo abaixo da pele), o tecido adiposo visceral (a gordura que se acumula entre as vísceras) e o tecido adiposo intramuscular (a gordura entremeada nas fibras dos músculos). A análise é feita com base em imagens tomográficas da altura da terceira vértebra lombar (L3).
conhecida como L3.
“Na internet, hoje, você vai encontrar vários códigos que utilizam uma imagem CT e fazem a segmentação, achando, por exemplo, o fígado, o rim etc. Mas a separação desses três tecidos adiposos – intramuscular, subcutâneo e visceral –, você não vai encontrar”, ele destaca. O programa também identifica e isola a estrutura óssea do paciente para não interferir nos resultados.
A alta precisão do algoritmo – que possui uma margem de erro estimada em menos de 5% até mesmo nos tecidos mais difíceis de ler, como o da gordura intramuscular – não se deve unicamente ao poder de processamento dos computadores. O grande diferencial foi a integração de mais de uma década de experiência clínica da equipe médica colaboradora diretamente à arquitetura matemática do código.
Durante o treinamento da IA, os pesquisadores notaram que o algoritmo inicialmente confundia a medula óssea com o tecido muscular, devido à forte semelhança na escala de tons de cinza, medida em Unidades Hounsfield (HU). Ao incorporar a lógica de raciocínio humano de nutricionistas e médicos, a máquina aprendeu a excluir primeiramente os ossos, antes mesmo de iniciar a busca pelas gorduras. “Nós trouxemos essa experiência para dentro da arquitetura do processo do código. É diferente do pessoal que faz machine learning por aí, que simplesmente introduz os dados na máquina”, comenta Takahashi.
Outra descoberta durante o desenho do projeto diz respeito à calibração radiológica. Os pesquisadores perceberam que calibrar com exatidão a intensidade da cor cinza nos exames revela dados de interesse clínico sobre os tecidos. Nesse sentido, incorporar o código desenvolvido pelos pesquisadores da Unicamp ao aparelho de CT poderia representar uma inovação para a indústria de equipamentos desse tipo. Assim, o paciente já poderia receber um laudo automático de sua composição corporal ao sair da máquina.
Inicialmente, a imagem de entrada passa por uma etapa de pré-processamento com aplicação de filtro de unidades Hounsfield (HU). Em seguida, modelos baseados em U-Net combinados com ResNet18 realizam a segmentação dos tecidos, classificando músculo, tecido adiposo intramuscular, adiposo visceral e adiposo subcutâneo. Por fim, um novo filtro de HU é aplicado no pós-processamento, gerando a imagem segmentada final colorida. O diagrama é de autoria dos pesquisadores.
Cooperação inter e multidisciplinar
Essa simbiose entre o conhecimento humano e a operação do programa garante uma uniformidade no processo que é crucial para a ciência. Conhecer a incerteza de um exame é vital, pois essa variação quantitativa pode mudar completamente a dosagem ou a via de tratamento escolhida pelo médico para intervir na doença.
Para o tratamento do câncer, essa tecnologia de IA desenvolvida abre horizontes animadores. O Dr. José Barreto Campello Carvalheira, oncologista, professor titular da Faculdade de Ciências Médicas (FCM) da Unicamp e pesquisador principal no CancerThera, é líder de estudos sobre imunometabolismo do câncer, área que investiga a profunda interação sistêmica entre a doença e o corpo do paciente.
Ele explica que, na Oncologia, o foco do estadiamento (a avaliação da gravidade da doença) recai quase exclusivamente sobre as dimensões e mutações do próprio tumor. No entanto, a forma metabólica como o corpo do paciente reage e responde a esse tumor é um fator igualmente determinante para a sobrevida.
“Uma das principais limitações na Oncologia é a dificuldade de estimar, com precisão, o prognóstico do paciente a partir das características do tumor isoladamente. Os estudos de composição corporal ampliam essa compreensão ao permitir avaliar não apenas a interação do tumor com o organismo, mas também a capacidade do paciente de responder à doença e ao tratamento”, detalha o pesquisador.
Com o novo programa varrendo e analisando mais de 500 imagens de pacientes em apenas 30 minutos, os especialistas podem observar em tempo recorde como diferentes características dos tumores alteram o organismo da pessoa com câncer. Essa agilidade computacional permite que a Medicina comece a distinguir novos subtipos de pacientes, podendo, em um futuro próximo, poupar pessoas de tratamentos agressivos ou ineficazes.
“Será que o paciente precisa receber quimioterapia mesmo? Na hora que você descobre que tal tumor é de um grupo menos agressivo, é possível considerar estratégias terapêuticas menos intensas”, projeta o oncologista um cenário promissor, com redução de sofrimentos desnecessários. A lógica moderna da Oncologia, agora apoiada pela IA, passa a integrar uma visão sistêmica e profunda sobre o paciente, tirando o holofote do tumor.
O impacto do programa de computador se estende com a mesma força para a área de Nutrição Clínica. A Dra. Maria Carolina dos Santos Mendes, nutricionista e pesquisadora de pós-doutorado em Gestão da Pesquisa — Inovação e Transferência de Tecnologia associada ao CancerThera, aponta que as ferramentas atuais utilizadas nos hospitais são bastante limitadas. A prática depende fortemente de ferramentas simples, como o uso de fitas métricas para medir a circunferência da cintura e da panturrilha, na tentativa de estimar empiricamente a massa muscular e a gordura do paciente.
“Realmente, não se consegue ter essas informações na prática clínica hoje. Facilita muito se, no laudo de uma tomografia computadorizada, além das informações do tumor, conseguirmos ter essa avaliação da composição corporal”, avalia Mendes. Ter o acesso a dados matematicamente precisos sobre a quantidade exata de gordura ou perda de massa magra permitirá à equipe nutricional construir um suporte alimentar focado e de alta excelência clínica, garantindo intervenção precoce e melhora do estado nutricional do indivíduo enfraquecido pela doença.
Registro do programa de computador e implementação mercadológica
O futuro dessa tecnologia é promissor e os próximos passos estão delineados. O programa de computador já se encontra devidamente registrado com o apoio estratégico da Agência de Inovação Inova Unicamp. Antes do registro, foi realizada uma análise preliminar de mercado para identificar o potencial de aplicação da tecnologia.
Uma vez protegido, para que o código alcance o objetivo de ser amplamente utilizado, a agência atua agora na prospecção ativa de parceiros e na apresentação da tecnologia ao setor empresarial. Esse contato ajuda a avaliar se há necessidade de adaptações comerciais ou aprimoramentos de maturidade tecnológica.
Segundo a Ma. Beatriz Hargrave, supervisora de transferência de tecnologias na Inova Unicamp, “parcerias podem ser estabelecidas para codesenvolvimento, permitindo que a tecnologia avance de forma alinhada às necessidades do parceiro, aumentando as chances de adoção em larga escala e absorção pelo mercado”.
A expectativa é de que haja interesse de empresas porque o programa atende a uma demanda real e urgente da área da Saúde. Hargrave avalia que a solução tem um grande potencial de aplicação em hospitais, clínicas e centros de diagnóstico por imagem, reforçando sua atratividade para o setor devido aos “ganhos de eficiência, redução de tempo de análise e maior uniformidade nos resultados”.
O sucesso e a precisão da tecnologia são resultados diretos da colaboração acadêmica que originou o projeto. Hargrave destaca que unir áreas como Física, Oncologia e Nutrição é o que permite desenvolver inovações robustas e alinhadas às necessidades práticas do dia a dia médico. “Fomentar esse tipo de colaboração é essencial para transformar conhecimento científico em tecnologias com potencial de impacto socioeconômico, capazes de responder a demandas da sociedade”, diz a supervisora.
Nesta etapa de desenvolvimento do programa, as equipes de pesquisadores do IFGW/Unicamp e da FCM/Unicamp trabalham em uma interface visual amigável: uma tela limpa com botões interativos onde qualquer profissional de saúde possa visualizar apenas a camada de músculo ou de gordura do paciente com um simples clique.
NOTA PARA INTERESSADOS: A transferência de tecnologias protegidas da Unicamp, como o programa de computador em questão (nomeado “PC346_SEGMENTACAO”), e a formalização de acordos de pesquisa, desenvolvimento e inovação (PD&I) são realizados com suporte estratégico da Inova Unicamp. Empresas e instituições interessadas no licenciamento devem entrar em contato com a agência por meio deste formulário.
Texto e foto: Romulo Santana Osthues
