Aprendizagem profunda para a segmentação da TC cardíaca para cardiopatia congênita: revisão sistemática

Revisão sistemáticaNível 1 · Evidência consolidadaPloS one29 set 20260 citações

O que aconteceu

O Deep Learning (DL) transformou a segmentação da imagem cardíaca, mas sua aplicação à cardiopatia congênita (CHD) permanece subexplorada, sem revisão sistemática prévia neste domínio emergente. Esta revisão avalia as atuais abordagens de LD para a segmentação da TC de DAC, identifica arquiteturas de modelos de melhor desempenho, avalia a qualidade do relato e destaca desafios para a implementação clínica. Seguindo as diretrizes da PRISMA, foram pesquisadas seis bases de dados: PubMed, IEEE Xplore, MDPI, Science Direct, Web of Science e Scopus (2004-2025). As características extraídas incluem a fonte de conjunto de dados, a abordagem de rotulagem da verdade no solo, a arquitetura DL e os métodos de avaliação. A qualidade do relato foi avaliada pela Checklist for Artificial Intelligence in Medical imaging (CLAIM).

O que encontraram

14 estudos atenderam aos critérios de inclusão, refletindo o surgimento desta área de pesquisa. A arquitetura da UNet e suas variantes dominaram (8 estudos). O maior Coeficiente de Semelhança de Dados (DSC) para a segmentação de estruturas cardíacas foi obtido utilizando um modelo avançado híbrido baseado em ResNet (Aorta, DSC = 0,945). As áreas bem documentadas incluem a abordagem de formação (12 estudos) e a descrição do modelo (todos). Apenas dois estudos realizaram validação externa e dois avaliaram a variabilidade inter e intraexaminadores. Nenhum estudo relatou a determinação do tamanho da amostra e a entrega dos dados em falta. Pequenas estruturas vasculares consistentemente pouco realizadas em comparação com a segmentação do coração inteiro.

Por que isso importa

Modelos de aprendizagem profunda mostram forte potencial de segmentação da TC de DAC, mas permanecem limitados por pequenos conjuntos de dados, relato inconsistente e falta de avaliação clínica. O avanço deste campo requer colaboração multidisciplinar, relatórios padronizados e integração do co-design clínico. Como primeira revisão abrangente nesta área, fornecemos uma linha de base forte para avaliar estudos futuros.

Tradução automática do resumo original, publicado em PloS one sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.