Redes neurais convolucionais usando TC pré-operatória para prever recidiva de curto prazo após correção de hérnia incisional

Por que prever retrocessos cirúrgicos é importante

Quando pacientes se submetem a uma cirurgia para reparar uma hérnia na parede abdominal que se formou em uma incisão anterior, todos esperam que a correção seja duradoura. No entanto, em uma parcela notável dos casos a hérnia reaparece, frequentemente resultando em mais dor, mais cirurgias e mais custos. Os cirurgiões costumam estimar esse risco com base na experiência e em alguns fatores clínicos, mas esses julgamentos são imperfeitos. Este estudo investiga se uma forma de inteligência artificial, treinada com tomografias computadorizadas pré-operatórias de rotina, pode ajudar a prever quais pacientes têm maior probabilidade de apresentar recorrência após a correção de hérnia incisional.

Transformando exames de rotina em previsões

Os pesquisadores revisaram 528 pacientes que foram operados para correção de hérnia incisional em um grande hospital entre 2016 e 2019. Todos tinham tomografias abdominais feitas antes da operação, capturando o tamanho, a localização e a forma da hérnia e dos tecidos vizinhos. A equipe extraiu 44.380 cortes de imagem individuais que mostravam a região da hérnia, removeu todas as informações identificadoras, padronizou as imagens para um formato uniforme e as dividiu em um grande conjunto de treinamento e um conjunto de teste menor. Importante, os modelos computacionais nunca “viram” as imagens de teste durante o treinamento, permitindo uma verificação justa de quão bem o sistema desempenharia em pacientes novos.

Como o computador aprende a partir das imagens

Para analisar as tomografias, os autores usaram três modelos populares de aprendizado profundo para imagens, conhecidos como redes neurais convolucionais. Essas redes, originalmente desenvolvidas para tarefas como reconhecer objetos cotidianos em fotografias, se destacam em identificar padrões em imagens complexas. Durante o treinamento, cada corte de TC foi rotulado conforme a recorrência da hérnia do paciente posteriormente. As redes comparavam repetidamente suas previsões com os desfechos reais e ajustavam suas conexões internas para reduzir os erros. Para cada paciente, as previsões do modelo a partir de múltiplos cortes foram combinadas em uma única estimativa de risco de recorrência.

Qual modelo teve melhor desempenho

Os três modelos—ResNet-50, uma versão mais profunda chamada ResNet-152, e VGG16—não tiveram desempenho igual. Quando testado em imagens não vistas anteriormente, o ResNet-50 mostrou a maior capacidade de distinguir pacientes que teriam recorrência daqueles que não teriam. Seu desempenho, resumido por uma métrica padrão chamada área sob a curva, foi notavelmente superior ao dos outros dois. A análise estatística confirmou que essas diferenças provavelmente não se deviam ao acaso. Para entender melhor o que as redes estavam “observando”, a equipe também usou um método de visualização que destaca as regiões da imagem mais importantes para uma previsão, revelando que áreas ao redor do defeito da hérnia e da parede abdominal carregavam o maior peso.

O que isso pode significar para pacientes e cirurgiões

Se aprimoradas e validadas em múltiplos hospitais, tais ferramentas de predição baseadas em imagens poderiam oferecer uma segunda opinião objetiva à avaliação do cirurgião. Uma estimativa mais precisa do risco de recorrência, calculada antes da operação a partir de um exame que já faz parte do cuidado padrão, poderia ajudar a orientar decisões sobre o momento da cirurgia, escolha da abordagem cirúrgica, tipo e tamanho da tela e se o paciente se beneficiaria de tratamento em um centro especializado em hérnias. Pacientes de alto risco, por exemplo, poderiam receber orientação sobre medidas adicionais para reforçar a correção, enquanto pacientes de baixo risco poderiam ser poupados de intervenções mais agressivas.

Dando os próximos passos

Os autores enfatizam que este trabalho é uma prova de conceito inicial, e não uma ferramenta clínica finalizada. O estudo baseia-se em pacientes de um único hospital, usa um número relativamente modesto de casos para os padrões de aprendizado profundo e depende apenas de imagens, ignorando outros fatores importantes como estado geral de saúde, cirurgias prévias e técnica cirúrgica. Pesquisas futuras precisarão combinar características derivadas da TC com informações clínicas e operatórias detalhadas, testar os modelos em grupos maiores e mais diversos de pacientes e garantir que as previsões sejam compreensíveis e confiáveis pelos clínicos. Ainda assim, os achados sugerem que uma análise inteligente de imagens médicas de rotina pode um dia ajudar a personalizar a cirurgia de hérnia e reduzir as chances de uma segunda correção indesejada.

Citação: Xing, X., Zhao, B., Wang, M. et al. Convolutional neural networks using preoperative CT to predict short-term recurrence after incisional hernia repair. Sci Rep 16, 14601 (2026). https://doi.org/10.1038/s41598-026-44070-x

Palavras-chave: hérnia incisional, recorrência de hérnia, aprendizado profundo, imagens de TC, resultados cirúrgicos