脉得智能
Recentemente, dois resultados de pesquisa publicados em periódicos internacionais de referência demonstraram o grande potencial de aplicação da inteligência artificial no campo da medicina por ultrassonografia. A MedAI, como apoiadora dos algoritmos centrais e da construção dos modelos, participou profundamente desses dois trabalhos inovadores, contribuindo para que o diagnóstico e o tratamento clínicos avancem para uma nova etapa de precisão. Conquista 1: Novo padrão para avaliação não invasiva de linfonodos sentinela no câncer de mama O estudo publicado na EClinicalMedicine (IF 10) construiu com sucesso uma rede de fusão profunda bimodal (DDFN), baseada em ultrassonografia com contraste (CEUS) e ultrassonografia em escala de cinza (GSUS). O modelo tem como objetivo prever de forma não invasiva, no pré-operatório, o status de metástase dos linfonodos sentinela (SLN) em pacientes com câncer de mama. Seu valor central reside no valor preditivo negativo (VPN) e na especificidade extremamente elevados. O modelo apresentou desempenho robusto em múltiplos testes prospectivos multicêntricos, demonstrando excelente perspectiva de tradução clínica. Valor clínico: (1) Espera-se que possibilite dispensar a biópsia desnecessária do linfonodo sentinela em pacientes com câncer de mama inicial; o alto valor preditivo negativo permite identificar com precisão pacientes de baixo risco, evitando procedimentos invasivos. (2) Reduz o trauma cirúrgico e as complicações, otimiza estratégias terapêuticas individualizadas, diminui o consumo de recursos médicos e melhora a qualidade de vida e a experiência de tratamento dos pacientes. (3) Promove a evolução do manejo axilar do câncer de mama do estadiamento patológico para o estadiamento por imagem, fornecendo uma via viável para o conceito de “N0 por imagem (iN0)” e apoiando decisões de cirurgia de precisão.
△ Fluxograma do desenvolvimento do modelo de deep learning utilizado para diagnosticar a condição dos linfonodos sentinela.
△ Mapas de calor representativos gerados pelo algoritmo Grad-CAM em imagens GSUS e CEUS de SLNs (linfonodos) com diferentes características.
Conquista 2: Ferramenta inteligente para diagnóstico e estratificação de risco de pólipos da vesícula biliar O estudo publicado na Insights into Imaging (IF 4.5) desenvolveu um modelo integrado de deep learning (IDL), baseado em ultrassonografia em escala de cinza e imagem de fluxo sanguíneo por Doppler colorido (CDFI). Esse modelo não apenas consegue segmentar automática e precisamente a vesícula biliar, como também pode diferenciar de forma eficaz pólipos não neoplásicos e neoplásicos, bem como benignos e malignos. Seu desempenho diagnóstico é excelente. Mais importante ainda, ele pode atuar como ferramenta auxiliar, elevando significativamente o nível diagnóstico e a consistência de médicos ultrassonografistas menos experientes. Espera-se que reduza os riscos de tratamento excessivo ou de diagnósticos perdidos decorrentes de decisões baseadas em um único critério de tamanho, como 10 mm, fornecendo uma base objetiva para o manejo individualizado e preciso dos pólipos da vesícula biliar.
△ Desempenho diagnóstico de cada modelo de deep learning no conjunto de validação.
△ Fluxo de trabalho do modelo IDL
Contribuições da MedAI e significado clínico Nos estudos inovadores mencionados acima, a equipe da MedAI forneceu suporte fundamental em projeto de algoritmos, construção de modelos e otimização. Utilizamos arquiteturas avançadas de deep learning, como fusão bimodal e módulos com mecanismos de atenção cruzada, para realizar a extração profunda e a fusão eficaz das características de imagens de ultrassonografia bimodais. Esse é o núcleo que permite ao modelo alcançar alta precisão e forte capacidade de generalização. O significado clínico desses dois resultados é profundo: eles combinam inteligência artificial com exames de ultrassonografia de rotina, fornecendo ferramentas objetivas, reprodutíveis e eficientes de suporte à decisão assistida por IA para solucionar desafios clínicos, como o manejo axilar de precisão no câncer de mama e a estratificação de risco de pólipos da vesícula biliar. Isso não apenas contribui para promover o desenvolvimento da medicina de precisão, otimizar estratégias terapêuticas e reduzir procedimentos invasivos desnecessários e complicações cirúrgicas, mas também eleva o nível diagnóstico de hospitais de atenção primária, beneficiando uma população mais ampla de pacientes. A MedAI continuará comprometida com a integração profunda entre tecnologias de inteligência artificial de ponta e necessidades clínicas, capacitando a imagem médica e contribuindo para a medicina de precisão. Referências:
1.Huang, D., Shi, Y., Cao, W., Feng, L., Luo, Y., Zhao, X., ... & Luo, J. (2026). Exempting axillary staging surgery in breast cancer using multimodal ultrasound imaging and radiomics of sentinel lymph nodes. EClinicalMedicine, 92. 2.Tang, C., Shi, Y., Wang, L., Zhao, X., Li, C., Guan, P., ... & Yuan, H. (2026). An integrative deep learning model based on dual-mode ultrasound for diagnosing gallbladder polyps. Insights into Imaging, 17(1), 32.
Redação e diagramação丨Luo Chaoran, Huang Qian Design丨Huang Ruoxi Revisão丨Li Chunlei, Zhao Xing Mou Lichao, Chen Yonghong