Dados do Trabalho

Título

Inteligência artificial na detecção da lesão do ligamento cruzado anterior em ressonâncias magnéticas

Introdução e Objetivo

A lesão do ligamento cruzado anterior (LCA) é uma das mais comuns e graves lesões ligamentares do joelho. O diagnóstico preciso da lesão do LCA é essencial para a escolha do tratamento adequado, sendo que a ressonância magnética (RM) é considerada o padrão-ouro para a avaliação detalhada nessas lesões. Considerando o avanço da tecnologia nas últimas décadas, a inteligência artificial (IA) tem sido cada vez mais explorada na área da saúde, especialmente em diagnósticos por imagem. Vários estudos têm investigado o uso de IA, em particular as redes neurais artificiais (RNA), para automatizar e melhorar a acurácia na detecção de diferentes tipos de lesões ligamentares do joelho utilizando imagens de ressonância magnética. As RNA são modelos computacionais inspirados na estrutura do cérebro humano, que possibilitam identificar padrões complexos em grandes volumes de dados, tornando-as promissoras para aplicações diagnósticas. Apesar dos avanços recentes nessa temática, não foram identificadas revisões sistemáticas que analisem as informações sobre os modelos e algoritmos de RNA aplicados especificamente à detecção de lesões do LCA em exames de ressonância magnética. Diante disso, o objetivo deste trabalho é realizar uma revisão sistemática da literatura analisando os diferentes modelos de RNA implementados na detecção de lesões do LCA, utilizando imagens de ressonância magnética.

Casuística e Método

Este estudo consiste em uma revisão sistemática da literatura, conduzida de acordo com o Preferred Reporting Items for Systematic Reviews and Meta-Analyses (PRISMA). Foram utilizados periódicos indexados nas seguintes bases de dados: PubMed Central, SPORTDiscus, Scopus, Web of Science e IEEE Xplore. Os termos de busca incluíram "Anterior Cruciate Ligament" AND "Injuries" AND "Artificial Neural Networks" AND "Magnetic Resonance Imaging", aplicados em títulos, resumos e palavras-chave. Foram incluídos artigos completos, publicados em língua inglesa, que descrevessem o uso de redes neurais artificiais na detecção de lesões do LCA por meio de ressonância magnética.

Resultados

Foram encontrados 49 artigos nas bases de dados. Após a aplicação dos critérios de elegibilidade, 9 artigos foram incluídos nesta revisão sistemática. Os artigos são recentes, o que demonstra a relevância atual das ferramentas de IA na avaliação de imagens médicas. Observou-se que a maioria dos estudos (n = 5) desenvolveu algoritmos baseados em deep learning. Por se tratar de um algoritmo capaz de processar grandes volumes de dados e extrair características complexas diretamente das imagens, o deep learning tem sido amplamente utilizado na imagiologia médica. Os modelos analisados mostraram alta sensibilidade e especificidade na detecção de lesões do LCA, resultados que podem ser atribuídos à capacidade das RNA de identificar padrões sutis em imagens de RM. Isso se deve ao treinamento intensivo dos modelos com grandes bases de dados de imagens. Ademais, verificou-se nos estudos que os modelos podem colaborar para uma identificação mais rápida e precisa das lesões, permitindo um diagnóstico precoce e um planejamento terapêutico mais eficaz.

Discussão

Este estudo corrobora a literatura acadêmica atual ao identificar os principais modelos de IA na detecção da lesão do LCA. Além de identificar a predominância de modelos de deep learning, observou-se que essas ferramentas apresentam um desempenho consistente na análise de imagens de RM. A capacidade desses modelos de extrair padrões complexos diretamente das imagens contribui para uma avaliação com alta acurácia.

Conclusão

A lesão do LCA é a principal lesão ligamentar do joelho. Este estudo demonstrou que modelos de IA podem contribuir na detecção da lesão do LCA com alta sensibilidade e especificidade. Além disso, num futuro próximo, esses modelos poderão possibilitar um diagnóstico precoce e um tratamento mais personalizado e eficaz, acelerando a tomada de decisões clínicas e melhorando os desfechos para os pacientes.