Deep Learning-Based Segmentation of Hepatic Structures: A Systematic Review of Model Architectures and Clinical Applications

Resumo

O câncer de fígado é um importante problema de saúde pública e permanece entre as neoplasias mais incidentes no mundo, com aproximadamente 866 mil novos casos em 2022, sendo o carcinoma hepatocelular responsável pela maior parte dos diagnósticos. A caracterização anatômica do fígado e de suas lesões depende, em grande parte, de imagens de tomografia computadorizada (TC) e ressonância magnética (RM), cuja segmentação ainda é majoritariamente manual ou semiautomática, o que exige tempo e pode gerar variações entre diferentes observadores ou até pelo mesmo profissional em momentos diferentes. Essa limitação motiva a adoção de métodos baseados em Deep Learning (DL), especialmente para aprimorar a precisão e a reprodutibilidade das segmentações hepáticas. Esta revisão analisou 16 estudos selecionados a partir de palavras-chave e critérios de inclusão predefinidos, com o objetivo de identificar tendências metodológicas, arquiteturas predominantes e aplicações clínicas reportadas. Observou-se forte predominância de modelos baseados em U-Net e variações (9/16), com crescente utilização de abordagens 3D (11/16) e foco em segmentações vasculares (6/16) ou fígado associado a vasos (6/16). As estratégias metodológicas dividiram-se igualmente entre modelos combinados (8/16) e abordagens de passo único (8/16). Apesar do desempenho técnico elevado relatado por vários autores, os estudos apresentaram heterogeneidade quanto aos protocolos de aquisição, métricas utilizadas e tamanho das bases de dados, dificultando comparações diretas e a extrapolação dos resultados para a prática clínica. Conclui-se que, embora as DLs representem um avanço significativo na segmentação hepática, a padronização metodológica e a validação externa dos modelos são etapas necessárias para sua consolidação no ambiente clínico.