Análise radiômica de imagens de ultrassom no início da gestação para prever a viabilidade ao final do primeiro trimestre

Por que respostas precoces na gestação importam

Para muitas mulheres, as primeiras semanas de gravidez misturam esperança e ansiedade. Quando um ultrassom precoce ainda não consegue mostrar claramente se a gestação continuará ou terminará em aborto espontâneo, os médicos chamam isso de “gestação de viabilidade desconhecida”. Esse período de espera — frequentemente uma a duas semanas até uma nova varredura — pode ser emocionalmente exaustivo. O estudo resumido aqui investiga se padrões sutis, ocultos em imagens de ultrassom de rotina e combinados com informações clínicas simples, podem ajudar a prever o desfecho final mais cedo e com maior precisão.

Olhar além do que o olho vê

A avaliação tradicional por ultrassom baseia-se no que os clínicos podem medir e ver diretamente: o tamanho e a forma do saco gestacional, a presença do saco vitelino ou de um embrião minúsculo e se é visível um batimento cardíaco. Pesquisas anteriores usaram essas características para construir sistemas de pontuação, mas sua acurácia é limitada e muitas vezes depende de dados completos. Neste novo trabalho, os pesquisadores perguntaram se os computadores poderiam captar detalhes muito mais finos nas imagens de ultrassom — detalhes sutis demais para o olho humano — usando uma abordagem chamada radiômica. A radiômica transforma imagens em milhares de características numéricas que descrevem textura, padrões de brilho e estrutura em pequena escala, potencialmente capturando sinais precoces de implantação saudável ou em risco.

Construindo um fluxo automatizado de imagens

A equipe reuniu exames de ultrassom de 500 mulheres atendidas em unidades de gravidez precoce em dois hospitais de Londres entre 2021 e 2023. Todas haviam sido informadas de que tinham uma gestação de viabilidade desconhecida, e o desfecho final — gestação em curso ou aborto espontâneo ao final do primeiro trimestre — foi registrado posteriormente. Para preparar as imagens para análise, os pesquisadores primeiro treinaram um modelo de aprendizado profundo para localizar duas regiões-chave em cada exame: o próprio saco gestacional e um anel fino de tecido uterino circundante. Usando uma arquitetura de rede neural projetada para imagens médicas, o sistema aprendeu a traçar essas regiões com alta precisão, aproximando-se dos contornos manuais feitos por especialistas. Essa etapa automatizada de “segmentação” é crucial, pois permite que exames futuros sejam processados sem exigir tempo adicional de clínicos especialistas.

Transformando padrões em previsões

Uma vez identificadas as regiões, um software de radiômica extraiu mais de quatro mil características quantitativas das imagens de ultrassom. Ao mesmo tempo, a equipe reuniu informações clínicas simples já registradas na rotina — como a idade da mulher, a idade gestacional pela data da última menstruação e a quantidade de sangramento e dor relatada. Como nem todas essas variáveis são igualmente úteis, os pesquisadores testaram uma ampla gama de métodos de seleção de características e algoritmos de aprendizado de máquina para encontrar a melhor combinação. O modelo final, chamado Escore de Previsão para Gestação de Viabilidade Desconhecida (PUVPS), baseou-se em uma técnica conhecida como XGBoost e em características radiômicas e clínicas escolhidas com cuidado. Nos testes, o modelo distinguiu gestações em curso de abortos espontâneos com bom desempenho, inclusive em dados de um hospital externo que não foi usado no treinamento do sistema.

O que o modelo realmente está usando

Alguns dos preditores mais influentes mostraram-se fatores clínicos familiares: a idade gestacional estimada pela última menstruação, a gravidade do sangramento vaginal e a idade materna. Mas várias medidas radiômicas de textura do saco e do tecido circundante também se destacaram. Essas medidas capturam quão uniforme ou desigual são as intensidades dos pixels e como as regiões brilhantes estão distribuídas, o que pode se relacionar com o desenvolvimento inicial da placenta e dos tecidos de suporte. Interessantemente, as características radiômicas também pareciam mudar com a idade gestacional, sugerindo que podem estar acompanhando alterações biológicas reais no desenvolvimento precoce da gestação, e não apenas ruído aleatório.

O que isso pode significar para pacientes

O estudo tem limitações, sendo a mais notável o tamanho de amostra modesto, o que pode tornar qualquer modelo de aprendizado de máquina excessivamente otimista até que seja testado em grupos muito maiores e mais diversos. Ainda assim, os resultados sugerem que pode ser possível fornecer às mulheres que enfrentam uma gestação de viabilidade desconhecida uma estimativa de risco personalizada baseada apenas no ultrassom que já estão fazendo, sem exames de sangue ou procedimentos adicionais. No futuro, se validado em grandes ensaios multicêntricos, uma ferramenta como o PUVPS poderia operar discretamente no suporte à clínica de ultrassom, analisando imagens em tempo real e oferecendo uma probabilidade de gestação em curso. Em vez de substituir os exames de acompanhamento padrão, poderia ajudar mulheres e clínicos a se prepararem emocional e praticamente durante um período de espera muito incerto.

Citação: Murugesu, S., Linton-Reid, K., Barcroft, J. et al. Radiomics analysis of early pregnancy ultrasound images to predict viability at the end of first trimester. Sci Rep 16, 5504 (2026). https://doi.org/10.1038/s41598-026-35158-5

Palavras-chave: gestação precoce, risco de aborto espontâneo, ultrassom, radiômica, aprendizado de máquina na medicina