Coluna. “Da imagem ao dado: o novo horizonte da medicina de precisão.” Por Giovanni Cerri

Dia 8 de novembro foi Dia do Médico Radiologista, e vale olhar para uma transformação que está redefinindo o papel da imagem na medicina. Durante décadas, tomografias, ressonâncias e outros exames foram produzidos para serem interpretados visualmente pelo especialista. Isso continua essencial. Mas hoje sabemos que essas imagens carregam uma quantidade de informação que o olho humano, sozinho, não alcança.

É nesse campo que atua a radiômica, abordagem que extrai das imagens médicas um grande número de características quantitativas, como textura, forma, intensidade e padrões de heterogeneidade. Na prática, ela transforma a imagem em dados, que podem ser analisados e combinados com informações clínicas, laboratoriais e, em alguns contextos, moleculares. Daí a expressão “biópsia virtual”, que é útil para ilustrar o conceito, desde que se tenha claro que ela não substitui a biópsia, e sim amplia o que se pode saber antes e depois dela.

O campo também evoluiu. Às características definidas por especialistas somam-se hoje modelos de aprendizado profundo, que identificam padrões diretamente na imagem. Somam-se ainda modelos multimodais, capazes de cruzar imagem, laudo, patologia e genômica. A pergunta deixou de ser apenas “o que a imagem mostra” e passou a ser “o que a imagem, junto com tudo o que sabemos do paciente, pode prever”.

Essa possibilidade tem relação direta com a medicina de precisão. Dois pacientes com tumores aparentemente semelhantes podem apresentar comportamento biológico e resposta ao tratamento diferentes. Ao identificar padrões presentes nas imagens, essas ferramentas podem ajudar a caracterizar melhor uma lesão, estimar prognóstico, acompanhar a evolução da doença e avaliar a resposta terapêutica. Na oncologia, onde o campo está mais avançado, há estudos em diversos tipos de câncer.

Começa a se desenhar também um horizonte de detecção mais precoce. Padrões sutis, imperceptíveis à leitura visual, podem sinalizar alterações antes que uma lesão se torne evidente. Estudos já exploram modelos capazes de estimar o risco futuro de câncer a partir de exames de rotina, como mamografias e tomografias de tórax. É um campo ainda em validação, mas que aponta para uma medicina capaz de agir mais cedo, quando o tratamento tende a ser menos agressivo e mais eficaz.

O mesmo raciocínio vale para além do câncer. A chamada triagem oportunística permite aproveitar exames feitos por outros motivos para identificar riscos que passariam despercebidos. Uma tomografia de abdome, por exemplo, pode trazer sinais de perda de massa óssea, de risco cardiovascular ou de alterações na composição corporal. É informação que já está ali e que pode ser usada em favor do paciente.

O potencial, porém, não está em produzir mais informação simplesmente porque a tecnologia permite. Está em transformar informação em conhecimento clinicamente útil. Para isso, os dados extraídos da imagem precisam ser analisados dentro de um contexto mais amplo e responder a uma pergunta médica concreta.

Esse ponto ajuda a compreender a relação entre radiômica e inteligência artificial. São áreas que frequentemente se encontram, mas não são sinônimos. A radiômica quantifica características da imagem, e algoritmos de aprendizado de máquina ajudam a reconhecer relações entre essas características e desfechos clínicos. O valor surge quando essa combinação é validada e integrada com segurança à prática assistencial.

Aí está um dos principais desafios. Resultados obtidos em pesquisa precisam se manter consistentes em equipamentos, protocolos, instituições e populações diferentes. Variações na aquisição e na reconstrução das imagens, na segmentação das lesões e no processamento dos dados podem alterar os resultados. A comunidade científica tem respondido a isso com iniciativas internacionais de padronização dos biomarcadores de imagem, como a IBSI (Image Biomarker Standardisation Initiative). Ainda assim, reprodutibilidade, validação externa e estudos multicêntricos seguem sendo etapas decisivas para que modelos promissores saiam do ambiente experimental. No Brasil, essas soluções também precisam cumprir a regulação da Anvisa para software como dispositivo médico, uma garantia de que a inovação chegue ao paciente com segurança.

O INRAD, por exemplo, é pioneiro no uso de IA na saúde com a criação do Laboratório de Inteligência Artificial (INLAB). Inaugurado em 2020, fruto de uma parceria com a FAPESP e a Siemens, desenvolve projetos com diversas empresas do setor. Hoje trabalhamos em projetos internacionais de pesquisa relacionados com a Radiômica e o Teranóstico.

Nesse processo, o papel do médico radiologista não diminui. Ao contrário, torna-se ainda mais estratégico. É o radiologista quem conhece as limitações da imagem, entende o contexto clínico, avalia a qualidade do exame e interpreta se uma informação quantitativa faz sentido para aquele paciente. Quanto mais sofisticada a tecnologia, maior a necessidade de conectar dado, imagem e conhecimento médico.

A radiologia sempre esteve na fronteira da inovação. Da descoberta dos raios X à tomografia, da ressonância magnética à inteligência artificial, cada avanço ampliou nossa capacidade de enxergar o corpo humano. A radiômica acrescenta uma nova camada a essa história: não apenas ver a imagem, mas medir aquilo que ela contém.

O futuro da medicina de precisão passa por extrair mais valor de exames que já fazem parte da jornada do paciente, e por usar esse valor cada vez mais cedo. O desafio agora é garantir que essa informação seja robusta, compreensível e clinicamente útil. Porque inovação em saúde não é encontrar mais dados. É saber quais deles realmente ajudam a tomar uma decisão melhor.

GIOVANNI GUIDO CERRI é presidente do Conselho do Instituto de Radiologia do Hospital das Clínicas da Faculdade de Medicina da USP (INRAD HCFMUSP).

As opiniões expressas neste artigo são de responsabilidade do autor e não refletem, necessariamente, a posição editorial do Saúde Insider.