Modelos de tomografia computadorizada baseados em inteligência artificial para a distinção entre tumores de Wilms e não-Wilms: revisão sistemática e meta-análise
Authors:
- Helvécio Neves Feitosa FilhoHFHelvécio Neves Feitosa Filho
- Rian Vilar LimaRLRian Vilar Lima
- João Filipe Cavalcante Uchoa FurtadoJFJoão Filipe Cavalcante Uchoa Furtado
- Victor Arthur OhannesianVOVictor Arthur Ohannesian
- Eduardo Correia EulálioEEEduardo Correia Eulálio
- Pedro Vianna Caldas RibeiroPRPedro Vianna Caldas Ribeiro
- Lucas Macêdo Aurélio PaivaLPLucas Macêdo Aurélio Paiva
- Isabela Diógenes FeitosaIFIsabela Diógenes Feitosa
- Geraldo Bezerra da Silva JúniorGJGeraldo Bezerra da Silva Júnior
Open Access
- 1 March 2026
- journal article
- Published by FapUNIFESP (SciELO) in Brazilian Journal of Nephrology
- Vol. 48 (1)
Abstract
Resumo Objetivo: Realizar revisão sistemática e meta-análise para avaliar a eficácia de modelos de inteligência artificial (IA) destinados a identificar tumores de Wilms em tomografias computadorizadas (TC). Métodos: Realizou-se uma busca nas bases de dados MEDLINE, Embase, Web of Science e Cochrane, conforme as diretrizes PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) 2020. Foram incluídos estudos diagnósticos utilizando TC baseada em IA para diagnosticar tumores de Wilms, desde que relatassem sensibilidade, especificidade e AUC. Estudos com dados incompletos ou ausência de texto completo foram excluídos. A análise estatística foi realizada no R (v4.3.3) utilizando modelo de efeitos aleatórios, com transformação logit para análise univariada e construção de curva SROC para análise bivariada. A heterogeneidade (I2 ≥ 40%) foi avaliada e explorada por análise de sensibilidade. Resultados: Foram incluídos quatro estudos (três da China e um da Turquia) com 177 pacientes com tumores de Wilms e 62 sem tumores de Wilms. A análise combinada de todos os modelos demonstrou sensibilidade de 63,9% (IC95%: 0,533–0,734), especificidade de 82,8% (IC95%: 0,716–0,902) e área sob a curva (AUC) de 0,831 (IC95%: 0,607–0,883). Conclusão: Este estudo demonstrou que modelos de IA exibem sensibilidade moderada e alta especificidade para identificar tumores de Wilms na TC, com uma AUC geral de 0,831. Esses resultados ressaltam o potencial promissor da IA como ferramenta de apoio no diagnóstico por imagem, embora o número limitado de estudos e a notável heterogeneidade metodológica justifiquem uma interpretação cautelosa e reforcem a necessidade de validação em populações maiores e mais representativas.Keywords
This publication has 34 references indexed in Scilit:
- Radiomics in differential diagnosis of Wilms tumor and neuroblastoma with adrenal location in childrenEuropean Radiology, 2024
- Distinguishing common renal cell carcinomas from benign renal tumors based on machine learning: comparing various CT imaging phases, slices, tumor sizes, and ROI segmentation strategiesEuropean Radiology, 2023
- Feature selection methods and predictive models in CT lung cancer radiomicsJournal of Applied Clinical Medical Physics, 2022
- Wilms tumorPediatric Blood & Cancer, 2020
- The diagnostic accuracy and clinical utility of pediatric renal tumor biopsy: Report of the UK experience in the SIOP UK WT 2001 trialPediatric Blood & Cancer, 2019
- Circulating tumor DNA analysis enables molecular characterization of pediatric renal tumors at diagnosisInternational Journal of Cancer, 2018
- Preferred Reporting Items for a Systematic Review and Meta-analysis of Diagnostic Test Accuracy StudiesJAMA, 2018
- Machine learning-based quantitative texture analysis of CT images of small renal masses: Differentiation of angiomyolipoma without visible fat from renal cell carcinomaEuropean Radiology, 2017
- Characteristics and survival of 750 children diagnosed with a renal tumor in the first seven months of life: A collaborative study by the SIOP/GPOH/SFOP, NWTSG, and UKCCSG Wilms tumor study groupsPediatric Blood & Cancer, 2007
- Expression profiling of Wilms tumors reveals new candidate genes for different clinical parametersInternational Journal of Cancer, 2005