Radiômica em PET/CT e TCAR na doença pulmonar intersticial associada a esclerose sistêmica: avanços e perspectivas futuras

Bastos, Andréa de Lima; Mamede, Marcelo

doi:10.1590/0100-3984.2025.0021

home Sumário navigate_before Anterior Atual Seguinte navigate_next

home Sumário

Review Article • Radiol Bras 58 • 2025 • https://doi.org/10.1590/0100-3984.2025.0021 linkcopiar

Radiômica em PET/CT e TCAR na doença pulmonar intersticial associada a esclerose sistêmica: avanços e perspectivas futuras

Autoria SCIMAGO INSTITUTIONS RANKINGS

Resumo

A esclerose sistêmica (ES) é uma condição autoimune multifatorial que resulta em fibrose cutânea e de diversos órgãos internos, incluindo os pulmões. Uma de suas complicações mais graves é a doença pulmonar intersticial (DPI), que impacta significativamente o prognóstico e a qualidade de vida dos pacientes. A TCAR exerce papel fundamental ao fornecer informações anatômicas detalhadas, enquanto a PET/CT, por integrar dados metabólicos à informação anatômica, permite uma compreensão mais abrangente da atividade da doença. A radiômica expande as capacidades dessas modalidades ao extrair características de imagem sutis e imperceptíveis na análise visual convencional, proporcionando melhor acurácia diagnóstica, estratificação e potencial prognóstico ampliados. Esta revisão aborda as aplicações atuais da radiômica na DPI associada à ES, destacando avanços como a incorporação da inteligência artificial para predição precoce da DPI e estratificação de risco. Evidências crescentes demonstram a eficácia da radiômica em superar limitações diagnósticas tradicionais, aumentar a precisão na identificação de padrões de pneumonia intersticial usual e monitorar a progressão da doença. A radiômica aplicada à PET/CT, especialmente com o uso de traçadores avançados, pode complementar a TCAR ao fornecer biomarcadores metabólicos da atividade da DPI, contribuindo para estratégias terapêuticas personalizadas. Apesar do promissor potencial transformador da radiômica, sua adoção na prática clínica ainda enfrenta desafios, como a necessidade de padronização, validação e reprodutibilidade entre diferentes centros. Futuros esforços concentram-se na integração da radiômica com dados genéticos e moleculares, no desenvolvimento de modelos longitudinais baseados em inteligência artificial e na adoção de abordagens multimodais, visando aprimorar o manejo da DPI associada à ES. Esses avanços sustentam a transição rumo à medicina de precisão, com perspectivas de melhoria nos desfechos clínicos dos pacientes acometidos por essa enfermidade complexa.

Model	Key features	Limitations
RF	Robust with moderate data; handles many variables well; improves prediction accuracy(¹⁸)	High computational cost; reduced interpretability with many variables(¹⁷)
DL	Automatic feature extraction; high accuracy on large datasets; good for complex pattern recognition(¹⁹,²¹)	Needs large datasets to achieve optimal performance(²²)
Regression	Predictive quantitative models; quantitative risk modeling; relates selected radiomic features to specific clinical outcomes(²³)	Suitable for linear relationships; limited in complex scenarios(¹⁸)

Reference	Year	Study location	N	Study design	Inclusion criteria	Methodology	Key findings
Anthony et al.(²⁸)	2017*	Chicago, USA; Texas, USA	96	Retrospective	Esophageal cancer subjected to radiation therapy	Combined CT texture analysis with SUV from PET scans for RP prediction	Adding SUV data to CT radiomics significantly improved RP diagnosis, demonstrating multimodal radiomics potential
Salaffi et al.(²⁹)	2020	Ancona, Italy	45	Cohort	SSc with follow-up HRCT	Comparison of quantitative methods (CaMs) versus visual scoring for ILD evolution assessment	CaMs outperformed conventional methods in detecting disease progression
Martini et al.(³⁰)	2021	Zurich, Switzerland	60	Retrospective	SSc with GAP staging	Radiomics features extracted from HRCT for GAP staging.	Radiomics predicted GAP stage with high accuracy, surpassing visual analysis
Murdaca et al.(²⁵)	2021	Genoa, Italy	38	Retrospective	SSc with HRCT and functional tests	Machine learning algorithms like random forest to identify early lung involvement	Random forest showed optimal performance for predicting early lung involvement
Refaee et al.(³¹)	2022	Maastricht, Netherlands; Wuhan, China	328	Observational	IPF diagnosis with available HRCT data	Radiomics model using HRCT for UIP detection	AUC > 0.96 for distinguishing UIP, reducing biopsy need
Schniering et al.(¹⁵)	2022	Zurich, Switzerland; Oslo, Norway	156	Prospective cohort	SSc diagnosis with ILD on HRCT	Radiomics features from HRCT for risk stratification	Radiomics effectively stratified risk and correlated with biological markers of fibrosis
Mei et al.(²⁰)	2023	New York, USA	449	Retrospective	ILD on the initial chest CT scan	Deep learning model for ILD subtype classification	AI system showed high diagnostic and prognostic accuracy
Qin et al.(²⁴)	2023	Shandong, China	245	Retrospective	CTD-ILD with HRCT data	Radiomics-based nomogram for GAP stage prediction	The nomogram achieved high accuracy in staging ILD (AUC > 0.85)
Joye et al.(³²)	2024	Zurich, Switzerland	166	Comparative analysis	SSc with HRCT data	Radiomics comparison between slice-reduced and full-chest CT	Slice-reduced CT models slightly outperformed full-chest CT, minimizing radiation exposure
Zhao et al.(³³)	2024	Hunan, China	58	Retrospective	Patients with SSc (ACR 1980 criteria) who underwent at least one lung HRCT.	AI-based analysis of HRCT to identify ILD lesion types and correlate them with clinical indicators and prognosis	AI successfully identified HRCT patterns and their progression; early ground-glass lesions were absent in cases with pulmonary hypertension
Smith et al.(²⁷)	2024	Amsterdam, Netherlands	18	Exploratory pilot	Hodgkin lymphoma with bleomycin-induced ILD	PET/CT scans analyzed using radiomics and random forest classifier	Radiomics features (e.g., SUVmean, texture strength) identified and classified drug-induced ILD with 72% accuracy; predictive potential for early onset

vertical_align_top show_chart

more_horiz close
- image
- translate
- link
- article
- vertical_align_top
- file_download
- show_chart
- image
- translate
- link
- article

location_on

Publicação do Colégio Brasileiro de Radiologia e Diagnóstico por Imagem Av. Paulista, 37 - 7º andar - conjunto 71, 01311-902 - São Paulo - SP, Tel.: +55 11 3372-4541, Fax: 3285-1690, Fax: +55 11 3285-1690 - São Paulo - SP - Brazil
E-mail: radiologiabrasileira@cbr.org.br

rss_feed Acompanhe os números deste periódico no seu leitor de RSS

[TN1] ^*
An older article (published in 2017) was included in this table because of its relevance in the PET-CT analysis.

[TN2] GAP, gender-age-physiology; IPF, idiopathic pulmonary fibrosis; SUV, standardized uptake value; RP, radiation pneumonitis; CaMs, computed-aided methods.