E se fosse possível estimar a maturidade dos pulmões de um bebê ainda na barriga, sem agulha e sem procedimento invasivo, apenas analisando a textura da imagem de ultrassom? É exatamente essa a proposta de um modelo de inteligência artificial apresentado na AIUM 2026 por Nicole Adelson, da Universidade Hofstra — um trabalho que pode mudar como decidimos o melhor momento para um parto.
Por que a maturidade pulmonar fetal importa
A imaturidade pulmonar é uma das principais causas da alta mortalidade em recém-nascidos prematuros. Quando os pulmões ainda não produziram surfactante suficiente, instala-se a síndrome do desconforto respiratório — uma complicação grave e potencialmente fatal. Saber, antes do parto, em que estágio de maturação está o pulmão fetal ajuda o obstetra e o neonatologista a planejar corticoides antenatais, o momento do nascimento e o suporte respiratório necessário.
O problema é como medir isso. Os métodos tradicionais de avaliação tendem a ser invasivos — historicamente, a coleta de líquido amniótico por amniocentese para análise de marcadores de surfactante — e nem sempre oferecem precisão satisfatória. Daí o apelo de uma alternativa que use apenas a imagem que já é rotineiramente adquirida no pré-natal.
Como o modelo funciona
Adelson construiu um modelo baseado em redes neurais convolucionais (CNN) para caracterizar imagens de ultrassom fetal como pré-termo ou a termo. A estratégia técnica é elegante: o sistema analisa quantitativamente o pulmão fetal usando dithering para realçar os padrões de textura da imagem, divide a região de interesse em sub-regiões e as compara entre si, calculando um índice de heterogeneidade que funciona como proxy do grau de desenvolvimento do tecido pulmonar.
A lógica clínica por trás disso faz sentido: à medida que o pulmão amadurece, sua arquitetura microscópica muda, e essas mudanças se traduzem em diferenças sutis de textura na imagem — diferenças difíceis de quantificar a olho humano, mas acessíveis a um algoritmo treinado para isso. É o mesmo princípio de análise de padrão que vem impulsionando o papel crescente da IA no ultrassom em geral.
Da pesquisa ao aplicativo
Um diferencial importante do projeto é a forma como ele foi pensado para uso prático. O modelo deve funcionar como um aplicativo no qual o usuário seleciona a imagem de ultrassom e a região de interesse; o sistema então retorna automaticamente se o pulmão é classificado como pré-termo ou a termo, junto com o índice de heterogeneidade. É a diferença entre um experimento de laboratório e uma ferramenta que cabe no fluxo de trabalho real do profissional.
Essa preocupação com usabilidade conecta a pesquisa a uma tendência mais ampla da imagem na saúde feminina, em que plataformas buscam levar inteligência ao ponto de cuidado — algo que também vemos em soluções como a Tricefy, da Trice Imaging, voltada à saúde feminina.
A ciência da textura por trás do índice
Vale destrinchar o conceito de heterogeneidade, porque ele é o coração do método. Em radiômica, “textura” não é o que enxergamos casualmente na tela, e sim o conjunto de relações estatísticas entre os pixels: o quão uniformes ou irregulares são os tons de cinza dentro de uma região. Um pulmão imaturo e um pulmão maduro espalham o ultrassom de formas distintas, e essas diferenças aparecem como variações na granularidade da imagem.
Ao aplicar dithering e fragmentar a região de interesse em sub-regiões comparáveis, o modelo amplifica justamente esses contrastes finos e os condensa em um número. O índice de heterogeneidade, portanto, é uma tentativa de transformar a “cara” do tecido em uma medida objetiva e reproduzível — o mesmo tipo de abordagem que a radiômica já usa em oncologia para caracterizar tumores. A vantagem é a objetividade; o desafio é garantir que o número seja estável entre aparelhos, presets e operadores diferentes.
Implicações para a prática clínica
Se validada, uma ferramenta não invasiva de estimativa da maturidade pulmonar teria impacto direto em decisões de altíssima sensibilidade. Em gestações com risco de parto prematuro, ela poderia ajudar a definir se vale antecipar o nascimento, intensificar a corticoterapia ou aguardar — sempre como apoio à decisão, nunca como substituto do julgamento clínico. Em regiões com acesso limitado a laboratórios e procedimentos invasivos, o ganho potencial é ainda maior, pois reaproveita um exame barato e amplamente disponível.
Vale o alerta de sempre: trata-se de um estudo inicial, e modelos de IA exigem validação prospectiva em populações diversas antes de qualquer uso rotineiro. O índice de heterogeneidade precisará ser testado contra desfechos clínicos reais e contra os padrões-ouro existentes para provar que mede o que promete medir.
Perspectivas
O trabalho de Adelson se soma a um conjunto crescente de pesquisas que aplicam radiômica e deep learning à imagem obstétrica. A direção é clara: extrair de exames de rotina informações que antes só procedimentos invasivos forneciam. Para o Brasil, onde o ultrassom obstétrico é amplamente acessível mas a análise especializada nem sempre está disponível, ferramentas assim podem democratizar avaliações complexas — desde que acompanhadas de validação rigorosa, governança de dados e integração responsável ao fluxo de trabalho.
Fonte: AuntMinnie — “AIUM: Ultrasound-based AI model could help measure fetal lung maturity”
