IA para detectar tuberculose infantil em radiografia ainda erra fora do Brasil

Um diagnóstico que escapa do raio-x comum

Tuberculose em criança é difícil de fechar. Os sintomas respiratórios se parecem com os de outras doenças, a quantidade de bactéria no organismo costuma ser baixa e nem sempre dá para colher uma amostra boa o suficiente para confirmar o caso em laboratório. A radiografia de tórax, exame mais disponível na rede, também tem sensibilidade limitada para esse público, e falta radiologista para ler volume grande de imagem com atenção.

Foi nesse cenário que o Hospital Moinhos de Vento desenvolveu o TBPed, projeto dentro do Programa de Apoio ao Desenvolvimento Institucional do Sistema Único de Saúde (PROADI-SUS, iniciativa do Ministério da Saúde que financia pesquisa aplicada em hospitais filantrópicos de excelência). A proposta: treinar um modelo de aprendizado de máquina para apoiar a leitura da radiografia em busca de sinais da doença. A informação é da Saúde Business, que acompanhou o projeto.

Na tuberculose pediátrica, o diagnóstico ainda é um dos grandes desafios, porque os sinais podem se confundir com outras doenças respiratórias e nem sempre os exames disponíveis conseguem trazer uma resposta clara.

Márcia Polese Bonatto, consultora técnica de Projetos II do Hospital Moinhos de Vento, responsável pelo TBPed

De onde veio a base de dados que treinou o modelo

O estudo é observacional e multicêntrico: recrutou pacientes com menos de 15 anos em 27 centros brasileiros, somando 2.068 participantes elegíveis. Desse total, 1.288 estavam internados e 780 eram atendidos em ambulatório. Entre os internados, 54 receberam diagnóstico de tuberculose (41 confirmados em laboratório e 13 classificados como presuntivos, ou seja, tratados como caso provável sem confirmação laboratorial). No grupo ambulatorial foram 143 diagnósticos, com 38 confirmados e 105 presuntivos.

Para treinar o modelo, a equipe usou 2.068 radiografias de tórax associadas a resultado de exame. Depois do pré-processamento, etapa que filtra imagem com qualidade ruim ou dado incompleto, sobraram 2.011 radiografias, uma perda de cerca de 2,8% do conjunto inicial. Dentro dessa base final havia 197 diagnósticos de tuberculose, sendo 79 confirmados e 118 presuntivos.

É um volume de imagem pediátrica de tuberculose bem maior do que normalmente existe em bases públicas, que tendem a ter poucos casos confirmados nessa faixa etária. Isso por si só já é um resultado do projeto: uma base de dados brasileira, multicêntrica, com anotação clínica e laboratorial associada a cada imagem.

O que o número AUROC diz, e o que ele não diz

O modelo foi avaliado pelo AUROC (área sob a curva ROC), métrica que varia de 0,5 (acerto igual ao acaso) a 1,0 (acerto perfeito) e mede a capacidade de separar quem tem a doença de quem não tem, considerando todos os limiares possíveis de decisão. Na validação interna, feita com dados do próprio estudo brasileiro, o modelo chegou a 0,744, com intervalo entre 0,704 e 0,779.

A equipe também testou o modelo em bases externas, e aí os números variaram bastante:

• Base que combina dados brasileiros com bases públicas: AUROC de 0,854
• Base do Peru: AUROC de 0,847
• Base da Cidade do Cabo, na África do Sul: AUROC de 0,543

Um AUROC de 0,543 está bem perto do acaso. Na prática, isso significa que o mesmo modelo que lê razoavelmente bem a radiografia de uma criança brasileira ou peruana quase não diferencia caso positivo de negativo quando a imagem vem de outro contexto. Equipamento de raio-x diferente, protocolo de posicionamento do paciente, perfil populacional e até a prevalência da doença na região podem mudar como a imagem chega ao modelo, e o algoritmo aprendeu padrões específicos demais da base em que foi treinado.

Por que esse tombo fora do Brasil importa para quem decide confiar no laudo

Esse é o ponto que todo médico que lida com ferramenta de IA em imagem precisa guardar: desempenho bom em um conjunto de dados não garante desempenho bom em outro. Não é peculiaridade do TBPed, é um problema estrutural de modelos de visão computacional em saúde, e a queda de 0,847 para 0,543 entre Peru e África do Sul deixa isso visível em números concretos.

Para o pediatra ou o clínico que atende criança, a lição prática é não tratar "IA validada" como sinônimo de "IA confiável em qualquer hospital". Um modelo pode ter sido testado com milhares de imagens e ainda assim se comportar mal na máquina de raio-x do seu serviço, se o equipamento, a população ou o protocolo de exame forem diferentes dos que treinaram o algoritmo. Isso vale tanto para este projeto quanto para qualquer ferramenta comercial de leitura de imagem que chegue ao mercado anunciando número de acurácia sem dizer em que base foi medido.

O que ainda falta antes de o modelo chegar à consulta

O TBPed está em fase de pesquisa, e a própria equipe é direta sobre isso. Os próximos passos declarados incluem avaliar melhor a acurácia diagnóstica do modelo, ampliar e consolidar a base de dados e, principalmente, validar a ferramenta em condições reais de uso, ou seja, testá-la no fluxo de atendimento de verdade, não só em banco de imagem retrospectivo.

Uma frente interessante do projeto é comparar o modelo brasileiro, chamado de CAD (detecção auxiliada por computador), com modelos de linguagem de grande porte generalistas como Claude, GPT, Gemini e MedGemma, além de colocar um radiologista humano na mesma comparação. Essa comparação ainda não tem resultado publicado, mas vai responder uma pergunta que interessa a quem decide investir em tecnologia de imagem: um modelo especializado, treinado só para essa tarefa, ganha de um modelo de propósito geral usado para interpretar a mesma radiografia?

Agora, o desafio é transformar esse conhecimento em uma ferramenta aplicável à prática, validada em situações reais e que possa apoiar os profissionais no cuidado dessas crianças.

Márcia Polese Bonatto, Hospital Moinhos de Vento

A reportagem da Saúde Business é clara: o TBPed não está incorporado à rotina clínica. Não existe hoje um produto que o pediatra possa comprar ou licenciar com esse modelo dentro.

O que muda para quem atende criança hoje

Para o médico que atende criança com suspeita de tuberculose, nada muda na conduta agora: a radiografia continua sendo lida por radiologista, com apoio dos critérios clínicos e laboratoriais de sempre, e a confirmação segue dependendo de cultura, teste molecular ou critério presuntivo conforme protocolo do serviço. O que o TBPed mostra é a direção em que esse apoio pode caminhar nos próximos anos, não uma ferramenta pronta para pedir ao fornecedor do seu equipamento de raio-x.

Vale também o cuidado com dado sensível em qualquer iniciativa parecida que apareça no seu serviço. As imagens e os dados usados no TBPed vieram de um protocolo de pesquisa multicêntrica, com anonimização e os controles que estudo clínico exige, e não de um aplicativo comercial captando radiografia de paciente para treinar modelo por fora. Se alguma ferramenta de IA para leitura de imagem pediátrica chegar oferecendo esse tipo de apoio, vale perguntar em que base ela foi validada, se essa base se parece com o seu hospital e, principalmente, se existe aval de estudo publicado por trás do número de acurácia anunciado.

Fonte: Saúde Business