A medicina personalizada passa por uma revolução digital nos dias atuais, principalmente com a inclusão da inteligência artificial (IA) no quotidiano. Sistemas de deteção/ diagnóstico auxiliado por computador (CADe/CADx) têm sido desenvolvidos desde a década de 1980 com técnicas de IA para auxiliar especialistas na identificação precoce de lesões, como nódulos pulmonares.¹,² Não obstante, técnicas de recuperação baseada em conteúdo (CBIR) foram incorporadas às ferramentas CAD com o objetivo de aumentar a aplicabilidade clínica destas. Sistemas CBIR podem ser muito úteis clinicamente pois podem aumentar a certeza da hipótese diagnóstica, valendo-se de um modelo baseado em exemplos prévios com desfecho já conhecido.³ Neste contexto, a radiómica é descrita como uma extensão do CAD/CBIR que associa caraterísticas quantitativas dos exames de imagens com desfechos patológicos. Ferramentas radiómicas têm potencial para aumentar o poder de decisão clínica, pois elas descrevem a forma e a textura das lesões em detalhes mínimos impossíveis de serem avaliados humanamente, por meio de algoritmos computacionais e matemáticos avançados.¹ Em face dos recentes avanços em terapias alvo para a medicina personalizada, a necessidade de uma abordagem simples de análise precisa tornou- se imperativa, e a radiómica pode prover isto por ser uma ferramenta não-invasiva, rápida e de baixo-custo.²

Diversos modelos CAD foram propostos na literatura.

Contudo, a aplicação mais investigada foi para identificação de nódulos pulmonares incidentais. Num primeiro momento, o foco das pesquisas era em métodos CADe baseados

em caraterísticas intrínsecas das imagens para detetar nódulos em radiografias do tórax. Mas recentemente, os estudos foram direcionados para neoplasias malignas em tomografia computadorizada (TC) e o desenvolvimento de modelos de suporte à tomada de decisão ao tratamento, o que potencialmente poderia melhorar a avaliação do prognóstico do paciente e da progressão da doença. A maioria dos modelos CAD para TC é composta pela segmentação prévia da lesão na imagem e no cálculo das caraterísticas quantitativas.²,³ Estas caraterísticas tradicionalmente pertencem a quatro grandes níveis/ ordens da imagem: (I) primeira ordem, que caracterizam a distribuição dos níveis de cinza no histograma da imagem;

(II) segunda ordem, que descrevem as relações espaciais dos voxels em matrizes de níveis de cinza; (III) mais alta ordem, que caracterizam o espectro da lesão no domínio da frequência da imagem; e (IV) forma, que descrevem o tamanho e os componentes geométricos da borda da lesão. Outros autores propuseram o desenvolvimento de modelos automatizados de IA (i.e., deep learning), onde redes neurais realizam a representação da lesão (caraterização dos níveis de cinza) e a associação radiómica com o desfecho mesmo sem a necessidade da segmentação prévia da imagem, o que aumenta ainda mais a relevância do método.⁴

Outras investigações radiómicas foram apresentadas na literatura associando caraterísticas de neoplasias pulmonares em TC com diversos desfechos clínicos: sobrevida, histologia, estadiamento, genómica, recorrência, entre outros.²,⁴,⁵ Por exemplo, Ferreira-Junior et al.² apresentaram caraterísticas radiómicas de TC com contraste de valor diagnóstico e prognóstico associadas a padrões patológicos de cancro de pulmão de células não pequenas (direcionalidade da segunda ordem e a estimativa da dimensão fractal da mais alta ordem) e com metástases distantes e ganglionares (energia da mais alta ordem e medida de informação de correlação da segunda ordem). A radiómica vem sendo atualmente empregada na quantificação da heterogeneidade intratumoral, que é a presença de múltiplas subregiões (e.g., histológicas) numa mesma lesão primária, o que pode aumentar a progressão da doença e resistência terapêutica. A radiómica é capaz de quantificar a complexidade do tumor e identificar subregiões heterogéneas na imagem, como mostra a figura 1. Ferreira-Junior et al.¹ identificou uma assinatura radiómica em TC da mais alta ordem que estratifica o risco de óbito do paciente e quantifica a heterogeneidade intratumoral de neoplasias malignas pulmonares. Beig et al.⁵ investigou outras caraterísticas da mais alta ordem capazes de identificar diferentes regiões intra e peritumorais expressas em adenocarcinomas e granulomas.

Figura 1: Quantificação da heterogeneidade intratumoral num cancro de pulmão de células não pequenas: (a) imagem de TC de tórax no plano axial com uma lesão primária (círculo) de neoplasia maligna, (b) distribuição tridimensional dos níveis de cinza da imagem segmentada, (c) mapa de energia local refletindo subregiões na lesão pulmonar. 

Técnicas de radiómica, CBIR e CAD têm crescido promissoramente no desenvolvimento de marcadores de imagens e modelos preditivos, aumentando a precisão diagnóstica, avaliação prognóstica e auxiliando a decisão terapêutica para a medicina personalizada. Futuras direções para a área incluem a identificação das regiões específicas de resistência ao tratamento, permitindo assim terapias localizadas em baixo nível molecular.