Aplicações da inteligência artificial na ressonância magnética para diagnóstico de gliomas: Avanços, técnicas e limitações
DOI:
https://doi.org/10.33448/rsd-v15i1.50182Palavras-chave:
Gliomas, Espectroscopia de Ressonância Magnética, Inteligência Artificial.Resumo
Introdução: A Ressonância Magnética (RM) é uma das principais técnicas utilizadas no diagnóstico de gliomas, mas apresenta limitações na diferenciação tumoral e na previsão de marcadores moleculares. A inteligência artificial (IA) tem se destacado como ferramenta complementar, capaz de aumentar a acurácia diagnóstica e apoiar decisões clínicas. Método: Realizou-se uma revisão sistemática de artigos publicados entre 2015 e 2025 nas bases PubMed, MEDLINE e SciELO. A qualidade metodológica foi avaliada pela ferramenta AMSTAR-2. Resultados: Os modelos baseados em DL e ML apresentaram desempenho promissor, com acurácia superior a 95% em alguns casos, especialmente nas redes neurais convolucionais (CNNs) e nos modelos híbridos que integram dados radiômicos e clínico-moleculares, apresentaram melhor sensibilidade e especificidade na diferenciação entre gliomas de baixo e alto grau. Entretanto, limitações como heterogeneidade metodológica, ausência de padronização dos protocolos de imagem, risco de overfitting e falta de validação externa robusta ainda restringem a aplicação clínica em larga escala. Discussão: A IA mostrou-se promissora para automatizar análises complexas de imagem, reduzir viesses subjetivos e oferecer maior precisão diagnóstica. Contudo, desafios persistem quanto à padronização dos protocolos, a dificuldade de compatibilidade entre os sistemas e transparência dos algoritmos, são fatores que dificultam a sua incorporação clínica. Conclusão: A integração da IA na RM representa um marco da neuroimagem oncológica, com um grande potencial revolucionário no diagnóstico de gliomas. Para incluir essas técnicas na prática clínica de forma segura são necessários estudos multicêntricos, modelos interpretáveis e políticas que assegurem a validação ética, reprodutibilidade e acessibilidade igualitária.
Referências
Alhasan, A. S. (2021). Clinical Applications of Artificial Intelligence, Machine Learning, and Deep Learning in the Imaging of Gliomas: A Systematic Review. Cureus. 13(11):e19580. doi: 10.7759/cureus.19580. eCollection 2021 Nov.
Al-Rumaihi, G., Khan, M. M., Saleh, A., Ali, A., Al-Romaihi, L., Al-Jaber, N. et al. (2025). Performance Evaluation of Artificial Intelligence Techniques in the Diagnosis of Brain Tumors: A Systematic Review and Meta-Analysis. Cureus. 17(7):e88915. doi: 10.7759/cureus.88915. eCollection 2025 Jul.
Bonm, A. V., Ritterbusch, R., Throckmorton, P. & Graber, J. J. (2020). Clinical Imaging for Diagnostic Challenges in the Management of Gliomas: A Review. Journal of Neuroimaging. 30(2):139–45.
Brasil. (2020). Diretrizes diagnósticas e terapêuticas de tumor cerebral no adulto. http://conitec.gov.br/. https://www.gov.br/conitec/pt-br/midias/protocolos/publicacoes_ms/20201218_pcdt_tumor_cerebral_em_adulto_isbn.pdf.
Chen, X., Lei, J., Wang, S., Zhang, J. & Gou. L. (2024). Diagnostic accuracy of a machine learning-based radiomics approach of MR in predicting IDH mutations in glioma patients: a systematic review and meta-analysis. Front Oncol. 14:1409760. doi: 10.3389/fonc.2024.1409760. eCollection 2024.
Chilaca-Rosas, M. F., Contreras-Aguilar, M. T., Pallach-Loose, F., Altamirano-Bustamante, N. F., Salazar-Calderon, D. R., Revilla-Monsalve, C., et al. (2025). Systematic review and epistemic meta-analysis to advance binomial AI-radiomics integration for predicting high-grade glioma progression and enhancing patient management. Sci Rep. 15(1):16113.
Crossetti, M. G. O. (2012). Revisão integrativa de pesquisa na enfermagem o rigor cientifico que lhe é exigido. Rev Gaúcha Enferm. 33(2):8-9. https://www.scielo.br/j/rgenf/a/9TrSVHTDtDGhcP5pLvGnt5n/?format=pdf&lang=pt.
De Maria, L., Ponzio, F., Cho, H., Sogen, K., Tsougos, I., Gasparini, M. et al. (2024). The Current Diagnostic Performance of MRI-Based Radiomics for Glioma Grading: A Meta-Analysis. J Integr Neurosci. 23(5).
Maia Jr., A. C. M. (2005). Avaliação da contribuição do estudo de perfusão por ressonância magnética para o diagnóstico pré-operatório de anaplasia em tumores supratentoriais com aspecto sugestivo de glioma sem impregnação pelo agente paramagnético na ressonância magnética convencional. Tese (Doutorado). Universidade Federal de São Paulo-Escola Paulista de Medicina.
Farahani, S., Hejazi, M., Moradizeyveh, S., Di Ieva, A., Fatemizadeh, E. & Liu, S. (2025). Diagnostic Accuracy of Deep Learning Models in Predicting Glioma Molecular Markers: A Systematic Review and Meta-Analysis. Diagnostics. 15(7):797.
Luo, J., Pan, M., Mo. K., Mao, Y., Zou, D. (2023). Emerging role of artificial intelligence in diagnosis, classification and clinical management of glioma. Semin Cancer Biol. 91:110–23.
Mehmandoost, M., Konjin, F. T., Jajin, E. A., Fahim, F., Yazdani, S. O. (2024). A review on the applications of artificial intelligence and big data for glioblastoma multiforme management. Egyptian Journal of Neurosurgery. 39(1):51.
Ostrom, Q. T., Bauchet, L., Davis, F. G., Deltour, I., Fisher, J. L., Langer, C. E. et al. (2014). The epidemiology of glioma in adults: a “state of the science” review. Neuro Oncol. 16(7):896–913.
Pereira, A. S., Shitsuka, S. M., Parreira, F. J. & Shitsuka, R. (2020). Metodologia da pesquisa científica. Santa Maria. Editora da UFSM.
Risemberg, R. I. C., Wakin, M., & Shitsuka, R. (2026). A importância da metodologia científica no desenvolvimento de artigos científicos. E-Acadêmica, 7(1), e0171675. https://doi.org/10.52076/eacad-v7i1.675.
Shukla, G., Alexander, G. S., Bakas, S., Nikam, R., Talekar, K., Palmer, J. D. et al. (2017). Advanced magnetic resonance imaging in glioblastoma: a review. Chin Clin Oncol. 6(4):40–40.
Snyder H. (2019). Literature review as a research methodology: An overview and guidelines. J Bus Res. 104:333–9.
Sohn, C. K. & Bisdas, S. (2020). Diagnostic Accuracy of Machine Learning-Based Radiomics in Grading Gliomas: Systematic Review and Meta-Analysis. Contrast Media Mol Imaging. 2020:1–12.
Song, H. R., Gonzalez-Gomez, I., Suh, G. S., Commins, D. L., Sposto, R., Gilles, F. H. et al. (2010). Nuclear factor IA is expressed in astrocytomas and is associated with improved survival. Neuro Oncol. 12(2):122–32.
Tomás, A. & Pojo, M. (2025). PIK3CA Mutations: Are They a Relevant Target in Adult Diffuse Gliomas? Int J Mol Sci. 26(11):5276.
van Kempen, E. J., Post, M., Mannil, M., Witkam, R. L., ter Laan, M., Patel, A. et al. (2021). Performance of machine learning algorithms for glioma segmentation of brain MRI: a systematic literature review and meta-analysis. Eur Radiol. 31(12):9638–53.
Wang, J., Chen, Z. & Chen, J. (2023). Diagnostic value of MRI radiomics in differentiating high-grade glioma from low-grade glioma: A meta-analysis. Oncol Lett. 26(4):436.
Xu, J., Meng, Y., Qiu, K., Topatana, W., Li, S., Wei, C. et al. (2022). Applications of Artificial Intelligence Based on Medical Imaging in Glioma: Current State and Future Challenges. Front Oncol. 12:892056. doi: 10.3389/fonc.2022.892056. eCollection 2022.
Downloads
Publicado
Edição
Seção
Licença
Copyright (c) 2026 Aynoã Souza Nascimento Sena, Gabrielle Estevam Fernandes Pereira, Emerson Barbosa da Silva
Este trabalho está licenciado sob uma licença Creative Commons Attribution 4.0 International License.
Autores que publicam nesta revista concordam com os seguintes termos:
1) Autores mantém os direitos autorais e concedem à revista o direito de primeira publicação, com o trabalho simultaneamente licenciado sob a Licença Creative Commons Attribution que permite o compartilhamento do trabalho com reconhecimento da autoria e publicação inicial nesta revista.
2) Autores têm autorização para assumir contratos adicionais separadamente, para distribuição não-exclusiva da versão do trabalho publicada nesta revista (ex.: publicar em repositório institucional ou como capítulo de livro), com reconhecimento de autoria e publicação inicial nesta revista.
3) Autores têm permissão e são estimulados a publicar e distribuir seu trabalho online (ex.: em repositórios institucionais ou na sua página pessoal) a qualquer ponto antes ou durante o processo editorial, já que isso pode gerar alterações produtivas, bem como aumentar o impacto e a citação do trabalho publicado.
