Como Validar Dose Predita por IA: QA, Comissionamento e Risco Clínico

Validar dose predita por IA exige mais do que rodar uma concordância gamma em casos médios. A pergunta correta é: para qual uso pretendido, em qual população, com qual TPS, quais energias, quais estruturas e quais limites de falha o modelo será aceito?

Este checklist complementa o comparativo de MVision, RayStation e OptiPlan e o benchmark DoseRAD2026. O objetivo é transformar entusiasmo por IA em um processo auditável de física médica.

1. Defina o intended use antes da métrica

Um mesmo modelo pode ser aceitável para pré-planejamento e inaceitável para aprovação automática. Documente se a saída será usada como estimativa visual, dose de referência para otimização, triagem de caso difícil, dose secundária, suporte adaptativo ou substituto operacional de um cálculo físico.

• Entrada obrigatória: CT, MRI, sCT, estruturas, prescrição, geometria de feixe ou plano completo.
• Saída permitida: dose por feixe, dose de plano, objetivos de otimização ou alerta.
• Usuário autorizado: dosimetrista, físico, médico ou pipeline automatizado.
• Ação permitida: informar, sugerir, automatizar ou bloquear aprovação.

2. Construa um conjunto local de validação

Treino multicêntrico não elimina validação local. A amostra deve cobrir protocolos reais, extremos anatômicos, implantes, próteses, ar, osso cortical, reirradiação, PTV próximo a OAR e mudanças de versão do TPS. Casos fáceis devem estar presentes, mas casos de borda são os que mais testam segurança.

3. Use métricas em camadas

Gamma é útil, mas insuficiente sozinho. Combine métricas voxel-a-voxel, DVH, erro por estrutura e avaliação de pior caso. Para modelos rápidos por feixe, inclua erro por segmento ou beamlet. Para planejamento completo, inclua métricas de prescrição, cobertura e OAR.

• Gamma local 3D com critério rigoroso e limiar de dose documentado.
• MAE em regiões de alta, média e baixa dose.
• D98%, V95%, D2%, Dmean e métricas específicas por protocolo.
• Erro em interfaces e materiais de alta densidade.
• Tempo de inferência e taxa de falha por lote.

4. Trate OOD como requisito de segurança

Modelos de IA podem falhar de forma silenciosa. Um protocolo maduro deve declarar quando o modelo deve se recusar, sinalizar baixa confiança ou exigir revisão independente. Exemplos: anatomia fora do treinamento, contornos ausentes, nomes não padronizados, MRI degradada, isocentro atípico e prescrição incompatível.

5. Separe validação de publicação científica e validação clínica

Um benchmark como DoseRAD2026 mede performance sob regras controladas. A validação clínica precisa incluir integração DICOM, permissões, logs, rastreabilidade, atualização de modelo, cibersegurança, treinamento do usuário e plano de rollback.

6. Critérios de aceite sugeridos

Os números finais pertencem ao serviço e ao intended use. Ainda assim, o documento de validação deve declarar limites antes do teste final, não depois. Inclua critério de rejeição automática, critério de revisão por físico e critério de aprovação para uso assistivo.

• Nenhum caso crítico com erro DVH clinicamente relevante sem alerta.
• Desempenho estratificado por sítio, protocolo e complexidade.
• Reprodutibilidade após atualização de TPS, modelo ou biblioteca.
• Registro de falhas e revisão periódica em comitê técnico.

FAQ

Qual é o maior erro ao validar dose por IA?

Validar apenas a média. Um modelo pode ter bom resultado global e falhar exatamente nos casos raros que justificam controle físico mais rigoroso.

Posso aceitar o modelo se o gamma for alto?

Não automaticamente. Gamma deve ser combinado com DVH, avaliação por estrutura, erro em regiões críticas e análise de casos fora do domínio.

Quando revalidar?

Após atualização de TPS, modelo, protocolo, conjunto de estruturas, scanner, modalidade de imagem, energia, MLC ou população tratada.