Aplicações de visão computacional em cirurgia vascular: uma revisão sistemática e avaliação crítica

Câmeras inteligentes para médicos de vasos sanguíneos

Médicos que tratam problemas dos vasos sanguíneos dependem fortemente de imagens médicas, desde exames por imagem do corpo até simples fotos de feridas. Nos últimos anos, a visão computacional — software que “vê” e interpreta imagens — avançou tão rapidamente que às vezes pode igualar especialistas médicos. Este artigo examina centenas de estudos para avaliar como essas ferramentas de leitura de imagem estão sendo usadas na cirurgia vascular, quão bem funcionam e o que ainda precisa melhorar antes que possam, com segurança, ajudar os médicos a cuidar dos pacientes.

Onde a pesquisa está crescendo rapidamente

Os autores buscaram em bases de dados médicas e técnicas importantes e encontraram 288 estudos, com uma explosão de trabalhos após 2017 e outra onda em 2024–2025. A maioria dos projetos analisou imagens existentes em vez de seguir pacientes prospectivamente. Os pesquisadores focaram principalmente em três problemas: alargamento da principal artéria do corpo (aneurismas e dissecções aórticas), estreitamento das artérias do pescoço que nutrem o cérebro, e feridas de difícil cicatrização no pé, especialmente no diabetes. Em contraste, condições como obstrução das artérias das pernas e doenças venosas — problemas comuns em clínicas vasculares — foram raramente estudadas, embora possam causar dor, incapacidade e amputações.

No que os computadores realmente observam

Ao longo dos estudos, os computadores receberam muitos tipos de imagens. Para doença aórtica, a maioria usou tomografias computadorizadas (TC); para doença das artérias do pescoço, recorreram principalmente ao ultrassom; para úlceras do pé, confiaram em fotos padrão e imagens termográficas. As ferramentas mais comuns foram redes de aprendizado profundo modernas, especialmente U‑Net e outras redes neurais convolucionais, às vezes combinadas em ensembles. Esses sistemas geralmente eram solicitados a delinear estruturas (como o lúmen e a parede de uma artéria, ou as bordas de uma ferida), medir tamanhos ou classificar imagens em categorias como “doente” ou “saudável.” Muitos modelos tiveram desempenho impressionante em artigo, por vezes aproximando‑se de especialistas em tarefas como medir o tamanho de um aneurisma ou acompanhar a área de uma úlcera do pé.

Quão confiáveis e justas são essas ferramentas?

Apesar dos resultados promissores, a revisão encontrou preocupações sérias sobre como esses sistemas foram construídos e testados. Apenas uma minoria usou dados externos de outros hospitais, o que é crucial para demonstrar que um modelo funcionará no mundo real e não apenas em seu conjunto de dados original. Muitos artigos pularam salvaguardas básicas contra sobreajuste do modelo, como conjuntos de validação separados ou verificações de desequilíbrio de classes, e alguns até mediram o desempenho nas mesmas imagens usadas para treinar. Formas padronizadas de relatar resultados foram inconsistentes: para tarefas de delineamento de imagem, cerca de metade relatou uma métrica de sobreposição amplamente aceita, e para previsões sim/não, menos de uma em cinco usou a medida mais robusta AUROC. Pouquíssimos estudos avaliaram se seus sistemas se comportavam de forma diferente entre grupos de pacientes ou dispositivos de imagem, deixando questões sobre justiça e generalizabilidade.

Lacunas no que é estudado

O padrão da pesquisa não reflete as necessidades cotidianas dos pacientes. A maior parte do trabalho se concentra na aorta, artérias do pescoço e doença do pé diabético — áreas com conjuntos de dados de imagem abundantes e tarefas bem definidas. Enquanto isso, a doença arterial periférica nas pernas, que frequentemente afeta pessoas de minorias raciais e com menor renda, permanece pouco explorada. Os autores argumentam que a visão computacional poderia ser particularmente útil aí, prevendo quais pacientes vão piorar e automatizando sistemas de pontuação complexos que atualmente levam muito tempo para serem usados em clínicas atarefadas. Outra oportunidade negligenciada é o software capaz de mimetizar o contraste em exames sem expor pacientes — muitos com problemas renais — a substâncias potencialmente prejudiciais, técnica que apenas alguns estudos vasculares tentaram.

Elevando o padrão para trabalhos futuros

Para julgar a qualidade, os autores aplicaram duas listas de verificação estabelecidas que avaliam viés e relato em estudos de predição. Apenas cerca de um em cinco dos estudos mais recentes foi classificado como de baixo risco de viés, e a adesão geral às normas de relato manteve‑se pouco acima da metade, embora tenha melhorado ao longo do tempo. Lacunas comuns incluíram descrição pouco clara de como os rótulos de “verdade de referência” foram criados, falta de transparência sobre fontes de dados, informações ausentes sobre como os parâmetros do modelo foram escolhidos e quase nenhuma participação de pacientes ou partes interessadas do público. Os autores pedem que os pesquisadores sigam essas diretrizes desde a fase de planejamento, usem medidas de desempenho consistentes (dice para delineamento, AUROC para decisões sim/não), compartilhem dados e código quando possível e realizem ensaios prospectivos que testem se as ferramentas de visão computacional realmente melhoram os desfechos dos pacientes.

O que isso significa para pacientes e clínicos

No geral, a revisão descreve ferramentas poderosas de leitura de imagem que ainda estão no início de sua jornada do laboratório para a clínica. A visão computacional na cirurgia vascular já demonstra que pode detectar, delinear e medir problemas vasculares e feridas com precisão impressionante em condições controladas. Mas, até que os estudos reflitam melhor a prática do mundo real, incluam pacientes diversos e atendam a padrões de qualidade mais rígidos, esses sistemas permanecerão, em grande parte, curiosidades de pesquisa em vez de parceiros confiáveis no cuidado. Se desenvolvedores e clínicos abordarem essas questões, a visão computacional pode se tornar um apoio rotineiro que acelera o diagnóstico, sustenta decisões complexas e amplia o acesso a avaliações em nível de especialista para pessoas com doenças vasculares.

Citação: Liyanage, A., Li, B., Yi, J. et al. Computer vision applications in vascular surgery: a systematic review and critical appraisal. npj Digit. Med. 9, 260 (2026). https://doi.org/10.1038/s41746-026-02427-6

Palavras-chave: visão computacional em cirurgia vascular, IA em imagem médica, doença aórtica e carotídea, úlceras do pé diabético, doença arterial periférica