Segmentação e avaliação volumétrica multi-dimensional baseada em deep learning de líquido no seio esfenoidal em TC postmortem em casos de afogamento

Por que isso importa além da sala de autópsia

Quando alguém é encontrado morto na água, mesmo médicos legistas experientes podem ter dificuldade em afirmar com confiança se a pessoa realmente se afogou ou morreu por outra causa antes. Uma pista sutil é o líquido que se acumula em uma pequena cavidade cheia de ar, localizada profundamente atrás do nariz, chamada seio esfenoidal. Medir esse líquido em tomografias computadorizadas postmortem pode ajudar, mas fazê-lo manualmente é demorado e depende muito de quem interpreta as imagens. Este estudo investiga se técnicas modernas de visão computacional podem localizar e medir automaticamente esse líquido, oferecendo suporte mais rápido e consistente para investigações difíceis de afogamento.

Uma cavidade escondida com pistas importantes

Em casos de afogamento, o líquido frequentemente penetra nos seios paranasais, pequenas câmaras nos ossos da face. O seio esfenoidal, situado profundamente no crânio, é especialmente interessante porque o líquido coletado ali pode ser testado para algas microscópicas e para níveis de sal que sugerem se a pessoa se afogou em água doce ou salgada. Trabalhos anteriores mostraram que tomografias feitas após a morte podem corresponder aproximadamente aos volumes de líquido encontrados depois na autópsia. Mas, para obter esses números, peritos precisaram delinear a região do líquido fatia a fatia no computador — uma tarefa tediosa, difícil de padronizar e impraticável para grandes volumes de casos.

Ensinando computadores a identificar o líquido

A equipe de pesquisa recorreu a uma família de sistemas de análise de imagem amplamente usada em imagens médicas, conhecidos como modelos deep learning no estilo U-Net. Eles reuniram tomografias postmortem de 165 pessoas cujas mortes por afogamento foram confirmadas em autópsia. Um observador experiente traçou manualmente o líquido no seio esfenoidal para criar um mapa de referência para o aprendizado dos computadores. Os casos foram divididos em grupos de treino, validação e teste, de forma que os modelos fossem avaliados em dados que não haviam visto antes. Os cientistas então construíram três versões do sistema: uma que analisava fatias individuais da TC (2D), uma que considerava cada fatia junto com suas duas vizinhas (2.5D), e uma que analisava pequenos blocos tridimensionais da cabeça de uma vez (3D).

Desempenho dos modelos

Todos os três modelos conseguiram localizar o líquido no seio esfenoidal nas tomografias de teste de maneira que correspondia de perto ao especialista humano. As abordagens 2D e 2.5D foram as mais confiáveis ao traçar a forma e os limites do líquido, enquanto a versão 3D foi um pouco menos precisa e mais variável de caso para caso. Quando a equipe converteu esses contornos em volumes reais de líquido, as estimativas automáticas ficaram dentro de uma fração de mililitro dos valores de referência, e as diferenças não foram estatisticamente significativas. Os volumes previstos e manuais variaram em conjunto, com correlações muito fortes em todos os três modelos, sugerindo que as medidas geradas pelo computador podem substituir as medições manuais trabalhosas.

Por que uma abordagem intermediária venceu

O modelo 2.5D, que analisa uma fatia juntamente com suas vizinhas imediatas, ofereceu o melhor equilíbrio entre precisão e praticidade. Ele se beneficia de algum contexto tridimensional, ajudando a distinguir o líquido verdadeiro do osso e dos tecidos moles próximos, ao mesmo tempo em que evita as altas demandas computacionais e a instabilidade que podem afetar modelos 3D completos — especialmente quando a estrutura de interesse é minúscula e aparece em poucas fatias. Para centros forenses ocupados que podem precisar processar muitos casos com poder de computação limitado, essa estratégia intermediária pode ser a escolha mais realista para uso rotineiro.

O que isso significa para investigações de óbito no futuro

Para não especialistas, a conclusão principal é que computadores agora podem localizar e medir de forma confiável uma pequena cavidade de líquido no interior da cabeça em tomografias postmortem, com desempenho que se aproxima do de um especialista humano. O estudo mostra que essas medições automatizadas podem ser produzidas rapidamente e de maneira consistente, abrindo a possibilidade de usar dados de TC para apoiar diagnósticos de afogamento mesmo antes de a autópsia começar. Embora este trabalho de um único centro ainda precise ser testado mais amplamente e estendido a outros seios e a mortes não relacionadas a afogamento, ele aponta para um futuro no qual análises avançadas de imagem fortalecem discretamente as evidências em algumas das questões mais desafiadoras da medicina forense.

Citação: Heo, JH., Kim, MJ., Jang, S.J. et al. Multi-dimensional deep learning–based segmentation and volumetric assessment of sphenoid sinus fluid on postmortem CT in drowning cases. Sci Rep 16, 13800 (2026). https://doi.org/10.1038/s41598-026-44094-3

Palavras-chave: diagnóstico de afogamento, TC postmortem, imagem forense, deep learning, líquido sinusal